tf.matmul函数和tf.multiply函数

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

a,b的维数必须相同

import numpy as np
import tensorflow as tf

X = np.array([[1,2],
　　　　　　　　[2,2],
　　　　　　　　[3,2]])
W = np.array([[3,1,1,4],
　　　　　　　 [3,1,1,4]])

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    Input = tf.matmul(X,W)
    result = sess.run(Input)
    print(result)

[[ 9 3 3 12]
 [12 4 4 16]
 [15 5 5 20]]

b在神经网络中一般用作权重矩阵，shape=[x,y],x为前一层神经网络的神经元数量，y为后一层神经网络的神经元数量

下面演示加上偏置bias,偏置采用以为数组，长度为后一层神经网络的神经元数量

import numpy as np

import tensorflow as tf

 

X = np.array([[1,2],[2,2],[3,2]]) 

W = np.array([[3,1,1,4],[3,1,1,4]]) 

bias = np.array([1,2,3,4]) 

with tf.Session() as sess:

　　sess.run(tf.global_variables_initializer())

　　Input = tf.matmul(X,W) + bias

　　result = sess.run(Input)

　　print(result)

[[10 5 6 16]
[13 6 7 20]
[16 7 8 24]]

 tf.multiply(x, y, name=None) ，两个矩阵中对应元素各自相乘，最后返回数据的维数以最多维数据的维数相同

import numpy as np
import tensorflow as tf

a = np.array([[1,2],
              [2,3],
              [3,4]])
b= np.array([2,3])

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    Input = tf.multiply(a,b)
    result = sess.run(Input)    
    print(result)

[[ 2 6]
 [ 4 9]
 [ 6 12]]