Tensorflow深度学习之三：基础概念篇（矩阵相乘）

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())

[[ 5.25156927]]