tensorflow2之数学运算

官方API

• 大部分数学运算：tf.math

• 随机数：tf.random

• 矩阵运算：tf.linalg

  • 乘法：tf.matmul（实际上是tf.linalg.matmul），等同于@
  • 转置：tf.transpose(); tf.linalg.matrix_transpose
  • 生成对角阵：tf.linalg.diag：可定制对角线上一行/下一行等信息
  • 获取对角阵元素：tf.linalg.diag_part
  • 逆：tf.linalg.inv()
  • 求迹：tf.linalg.trace()
  • 范数：tf.linalg.norm()
  • 行列式：tf.linalg.det()
  • 行列式求log：tf.linalg.logdet
  • 特征值：tf.linalg.eigvalsh()
  • 特征值及特征向量：tf.linalg.eigh，类比np.linalg.eigh
  • 最小二乘：tf.linalg.lstsq
  • 线性方程求解：tf.linalg.solve
  • 矩阵分解
    • qr分解：q,r = tf.linalg.qr(a) # 验证 q @ r
    • svd分解：v,s,d = tf.linalg.svd(a) # 验证 s @ v @ d

• 模型评估：tf.metrics, tf.keras.metrics

• 优化：tf.keras.optimizers

• 其它

  • tf.argsort(values, axis=-1, direction='ASCENDING', stable=False, name=None)
    对tensor排序，axis指定指定排序轴，direction指定升序还是降序。返回排序后的元素idx

    a = tf.constant([1, 10, 26.9, 2.8, 166.32, 62.3])
    b = tf.argsort(a, direction='DESCENDING')  #返回 [4 5 2 1 3 0]
    

  • tf.sort
    同上，不同的是：tf.argsort返回排序后的tensor坐标，tf.sort直接返回排序后的tensor
  • tf.scatter_nd(indices, updates, shape, name=None)
    用updates按idx为indices来生成shape的tensor

    indices = tf.constant([[4], [3], [1], [7]])
    updates = tf.constant([9, 10, 11, 12])
    shape = tf.constant([8])
    tf.scatter_nd(indices, updates, shape)
    # 新生成的tensor为：对应indices的idx的值为对应的updates值，故返回结果为：[0, 11, 0, 10, 9, 0, 0, 12]
    

  • tf.unique(x, out_idx=tf.dtypes.int32)
    返回一维标量去重后的结果，以及原结果对应体重后的坐标
  • tf.linspace 同 np.linspace

• 广播：类同numpy

  • 如果tensor维度不同，将维度较小的tensor进行扩展，直到两个tensor的维度都一样
  • 如果两个tensor在某个维度上的长度相同，或者其中一个tensor在该维度上的长度为1，那么这两个tensor在维度上是相容的
  • 如果两个tensor在所有维度上都是相容的，它们就能使用广播
  • 广播之后，每个维度的长度将取两个tensor在该维度长度的较大值
  • 在任何一个维度上，如果一个tensor的长度为1，另一个tensor的长度大于1，那么在该维度上，就好像是对第一个tensor进行了复制

      a = tf.constant([1,2,3])
      b = tf.constant([[0,0,0],[1,1,1],[2,2,2]])
      b + a  #等价于 b + tf.broadcast_to(a,b.shape)
      # 返回结果
        [[1, 2, 3],
        [2, 3, 4],
        [3, 4, 5]]
    
      c = tf.constant([1,2,3])
      d = tf.constant([[1],[2],[3]])
      c+d #等价于 tf.broadcast_to(c,[3,3]) + tf.broadcast_to(d,[3,3])
      # 返回结果
        [[2, 3, 4],
        [3, 4, 5],
        [4, 5, 6]]