Tensorflow深度学习之三:基础概念篇(矩阵相乘)
2017-07-18 12:43
465 查看
Tensorflow中有很多地方需要用到矩阵相乘,这里通过一个小程序讲解一下矩阵相乘中所涉及的基本概念。(由于本人刚刚接触Tensorflow,有些概念讲解若有错误,请不吝指出。)
import tensorflow as tf #Tensorflow默认会话 sess = tf.InteractiveSession() #建立两个矩阵变量w1和w2 #tf.random_normal(shape, # mean=0.0, # stddev=1.0, # dtype=dtypes.float32, # seed=None, # name=None) #产生随机正态分布 #shape表示矩阵的维度,例如: #tf.random_normal([2,3],mean=1.0, stddev=1.0)是一个2行3列的矩阵, #mean表示均值,默认为0.0,stddev表示标准差,默认为1.0 #seed表示随机数种子,默认为None w1 = tf.Variable(tf.random_normal([2,3],mean=1.0, stddev=1.0)) w2 = tf.Variable(tf.random_normal([3,1],mean=1.0, stddev=1.0)) #定义一个二维的常量矩阵,注意:这里不是一维数组 x = tf.constant([[0.7, 0.9]]) #初始化全局变量,这里由于只有w1和w2没有被初始化(之前只是定义了w1和w2的tensor,并没有被初始化),故这一步只会初始化w1和w2. tf.global_variables_initializer().run() #tf.initialize_all_variables().run() #这种写法也可,官方推荐使用上面的写法 #计算矩阵相乘a=x*w1(关于矩阵乘法,可以参看线性代数) a = tf.matmul(x ,w1) #计算矩阵相乘y=a*w2 y = tf.matmul(a, w2) #输出计算结果,是一个1行1列的二维矩阵 print(y.eval())
结果如下:(在不同的机器上,运行结果或有不同)
[[ 5.25156927]]
相关文章推荐
- 零基础深度学习笔记3——Win7-Tensorflow-GPU安装
- TensorFlow入门深度学习--01.基础知识
- 福利 | Intel发布AI免费系列课程3部曲:机器学习基础、深度学习基础以及TensorFlow基础
- 2.深度学习FPGA实现基础知识17(图像处理卷积运算 矩阵卷积)
- 零基础深度学习2——Tensorflow安装
- TensorFlow实现经典深度学习网络(5):TensorFlow实现自然语言处理基础网络Word2Vec
- 机器学习&深度学习基础(tensorflow版本实现的算法概述0)
- 深度学习基础(三)—— 权值矩阵的初始化
- 深度学习4:TensorFlow基础结构——Session,Variable,Placeholder,Optimizer
- 深度学习的矩阵基础
- 【神经网络与深度学习】【C/C++】比较OpenBLAS,Intel MKL和Eigen的矩阵相乘性能
- 深度学习是当前很热门的机器学习算法。在深度学习中,涉及到大量矩阵相乘,
- 机器学习 深度学习用到的数学基础知识 标量、向量、矩阵和张量
- Tensorflow深度学习入门——基础运行流程
- tensorflow 学习专栏(二):tensorflow基础操作 常量加乘 矩阵乘
- 02_Tensorflow基础操作 -- 常量,矩阵相乘
- 深度学习FPGA实现基础知识17(图像处理卷积运算 矩阵卷积)
- 深度学习——tensorflow安装、简介及基础内容
- 零基础深度学习笔记4——Win7-Tensorflow创建基本的数据流图
- TensorFLow 基础 矩阵相乘相加 线性回归 手写字体逻辑回归 神经网络 tensorboard 显示 网络结构 和 优化记录