1、tf.multiply（）：两个矩阵中对应元素各自相乘

格式: tf.multiply(x, y, name=None)
参数:
x: 一个类型为:half, float32, float64, uint8, int8, uint16, int16, int32, int64, complex64, complex128的张量。
y: 一个类型跟张量x相同的张量。
返回值： x * y element-wise.
注意：

• （1）multiply这个函数实现的是元素级别的相乘，也就是两个相乘的数元素各自相乘，而不是矩阵乘法，注意和tf.matmul区别。
• （2）两个相乘的数必须有相同的数据类型，不然就会报错。

2、tf.matmul（）:将矩阵a乘以矩阵b，生成a * b。

格式: tf.matmul(a, b, transpose_a=False, transpose_b=False, adjoint_a=False, adjoint_b=False, a_is_sparse=False, b_is_sparse=False, name=None)
参数:

• a: 一个类型为 float16, float32, float64, int32, complex64, complex128 且张量秩 > 1 的张量。
• b: 一个类型跟张量a相同的张量。
• transpose_a: 如果为真, a则在进行乘法计算前进行转置。
• transpose_b: 如果为真, b则在进行乘法计算前进行转置。
• adjoint_a: 如果为真, a则在进行乘法计算前进行共轭和转置。
• adjoint_b: 如果为真, b则在进行乘法计算前进行共轭和转置。
• a_is_sparse: 如果为真, a会被处理为稀疏矩阵。
• b_is_sparse: 如果为真, b会被处理为稀疏矩阵。
  name: 操作的名字（可选参数）

返回值： 一个跟张量a和张量b类型一样的张量且最内部矩阵是a和b中的相应矩阵的乘积。

注意：

• （1）输入必须是矩阵（或者是张量秩 >２的张量，表示成批的矩阵），并且其在转置之后有相匹配的矩阵尺寸。
• （2）两个矩阵必须都是同样的类型，支持的类型如下：float16, float32, float64, int32, complex64, complex128。

示例代码

import tensorflow as tf  

#两个矩阵的对应元素各自相乘！！
x=tf.constant([[1.0,2.0,3.0],[1.0,2.0,3.0],[1.0,2.0,3.0]])  
y=tf.constant([[0,0,1.0],[0,0,1.0],[0,0,1.0]])
#注意这里这里x,y要有相同的数据类型，不然就会因为数据类型不匹配而出错
z=tf.multiply(x,y)

#两个数相乘
x1=tf.constant(1)
y1=tf.constant(2)
#注意这里这里x1,y1要有相同的数据类型，不然就会因为数据类型不匹配而出错
z1=tf.multiply(x1,y1)

#数和矩阵相乘
x2=tf.constant([[1.0,2.0,3.0],[1.0,2.0,3.0],[1.0,2.0,3.0]])
y2=tf.constant(2.0)
#注意这里这里x1,y1要有相同的数据类型，不然就会因为数据类型不匹配而出错
z2=tf.multiply(x2,y2)

#两个矩阵相乘
x3=tf.constant([[1.0,2.0,3.0],[1.0,2.0,3.0],[1.0,2.0,3.0]])  
y3=tf.constant([[0,0,1.0],[0,0,1.0],[0,0,1.0]])
#注意这里这里x,y要满足矩阵相乘的格式要求。
z3=tf.matmul(x,y)

with tf.Session() as sess:  
    print(sess.run(z))
    print(sess.run(z1))
    print(sess.run(z2))
    print(sess.run(z3))

输出结果

3、 tf.reduce_sum()： 求和

具体见：https://www.jianshu.com/p/30b40b504bae

4、 tf.pow(x, y, name=None)：幂值计算操作，即 x^y

具体见：https://blog.csdn.net/qq_36512295/article/details/100600813

5、tf.train.GradientDescentOptimizer 优化器

tf.train.GradientDescentOptimizer(learning_rate, use_locking=False,name=’GradientDescent’)

参数：

• learning_rate: A Tensor or a floating point value. 要使用的学习率
• use_locking: 要是True的话，就对于更新操作（update -operations.）使用锁
• name: 名字，可选，默认是”GradientDescent”

minimize() 函数处理了梯度计算和参数更新两个操作

compute_gradients() 函数用于获取梯度

apply_gradients() 用于更新参数

6、tensorflow的tf.nn.relu()函数

tf.nn.relu()函数是将大于0的数保持不变，小于0的数置为0

import tensorflow as tf
 
a = tf.constant([-2,-1,0,2,3])
with tf.Session() as sess:
 	print(sess.run(tf.nn.relu(a)))

结果是

[0 0 0 2 3]

又如

import tensorflow as tf
 
a = tf.constant([[-2,-4],[4,-2]])
with tf.Session() as sess:
 	print(sess.run(tf.nn.relu(a)))

输出结果为

[[0 0]
 [4 0]]

relu的图像是这样的

该函数就是常见的非线性激励函数，详细见我另一篇博客：深度学习中常用的非线性激励函数 https://blog.csdn.net/mao_hui_fei/article/details/104174801

最后

以上就是爱撒娇板凳为你收集整理的Tensorflow中常用函数1、tf.multiply（）：两个矩阵中对应元素各自相乘2、tf.matmul（）:将矩阵a乘以矩阵b，生成a * b。3、 tf.reduce_sum()： 求和4、 tf.pow(x, y, name=None)：幂值计算操作，即 x^y5、tf.train.GradientDescentOptimizer 优化器6、tensorflow的tf.nn.relu()函数的全部内容，希望文章能够帮你解决Tensorflow中常用函数1、tf.multiply（）：两个矩阵中对应元素各自相乘2、tf.matmul（）:将矩阵a乘以矩阵b，生成a * b。3、 tf.reduce_sum()： 求和4、 tf.pow(x, y, name=None)：幂值计算操作，即 x^y5、tf.train.GradientDescentOptimizer 优化器6、tensorflow的tf.nn.relu()函数所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。