deep_learning_Function_tf.add()、tf.subtract()、tf.multiply()、tf.div()
tf.add()、tf.subtract()、tf.multiply()、tf.div()函数介绍和示例
1. tf.add()
释义:加法操作
示例:
x = tf.constant(2, dtype=tf.float32, name=None)
y = tf.constant(3, dtype=tf.float32, name=None)
z = tf.add(x, y) # 加法操作 X = tf.constant([[1, 2, 3], [4, 5, 6]], dtype=tf.float32, name=None)
Y = tf.constant([[1, 1, 1], [2, 2 ,2]], dtype=tf.float32, name=None)
Z = tf.add(X, Y) # 矩阵加法操作,对应位置元素相加 with tf.Session() as sess:
print(sess.run(z))
print('='*30) print(sess.run(Z))
5.0
==============================
[[2. 3. 4.]
[6. 7. 8.]]
2. tf.subtract()
释义:减法操作
示例:
x = tf.constant(10, dtype=tf.float32, name=None)
y = tf.constant(4, dtype=tf.float32, name=None)
z = tf.subtract(x, y) # 减法操作 X = tf.constant([[1, 2, 3], [4, 5, 6]], dtype=tf.float32, name=None)
Y = tf.constant([[1, 1, 1], [2, 2 ,2]], dtype=tf.float32, name=None)
Z = tf.subtract(X, Y) # 矩阵减法操作,对应位置元素相减 with tf.Session() as sess:
print(sess.run(z))
print('='*30) print(sess.run(Z))
6.0
==============================
[[0. 1. 2.]
[2. 3. 4.]]
3. tf.multiply()
释义:将两个矩阵中对应元素各自相乘
示例:
import tensorflow as tf X = tf.constant([[1, 2, 3], [4, 5 ,6]], dtype=tf.float32, name=None)
Y = tf.constant([[1, 1, 1], [2, 2 ,2]], dtype=tf.float32, name=None)
Z = tf.multiply(X, Y) # 乘法操作,对应位置元素相乘 with tf.Session() as sess:
print(sess.run(Z))
[[ 1. 2. 3.]
[ 8. 10. 12.]]
tf.matmul()和tf.scalar_mul()函数介绍和示例见csdn 博客
4. tf.div()
释义:除法操作
示例:
x = tf.constant(6, dtype=tf.float32, name=None)
y = tf.constant(3, dtype=tf.float32, name=None)
z = tf.div(x, y) # 标量/标量 X1 = tf.constant(6, dtype=tf.float32, name=None)
Y1 = tf.constant([[1, 2], [2, 3]], dtype=tf.float32, name=None)
Z1 = tf.div(X1, Y1) # 标量/矩阵 X2 = tf.constant([[6, 12], [6, 12]], dtype=tf.float32, name=None)
Y2 = tf.constant([[1, 2], [2, 3]], dtype=tf.float32, name=None)
Z2 = tf.div(X2, Y2) # 矩阵/矩阵,对应元素相除 with tf.Session() as sess:
print(sess.run(z))
print('='*30) print(sess.run(Z1))
print('='*30) print(sess.run(Z2))
2.0
==============================
[[6. 3.]
[3. 2.]]
==============================
[[6. 6.]
[3. 4.]]
————————————————
原文链接:https://blog.csdn.net/qq_36512295/article/details/100600390
deep_learning_Function_tf.add()、tf.subtract()、tf.multiply()、tf.div()的更多相关文章
- TF卡座(外焊、内焊、掀盖式、全塑、简易)
TF卡座(外焊.内焊.掀盖 式.全塑.简易
- 理解 tf.Variable、tf.get_variable以及范围命名方法tf.variable_scope、tf.name_scope
tensorflow提供了通过变量名称来创建或者获取一个变量的机制.通过这个机制,在不同的函数中可以直接通过变量的名字来使用变量,而不需要将变量通过参数的形式到处传递. 1. tf.Variable( ...
- Windows网络驱动、NDIS驱动(微端口驱动、中间层驱动、协议驱动)、TDI驱动(网络传输层过滤)、WFP(Windows Filtering Platform)
catalog . 引言 . Windows 2000网络结构和OSI模型 . NDIS驱动 . NDIS微端口驱动编程实例 . NDIS中间层驱动编程实例 . NDIS协议层驱动编程实例 . TDI ...
- keras系列︱Application中五款已训练模型、VGG16框架(Sequential式、Model式)解读(二)
引自:http://blog.csdn.net/sinat_26917383/article/details/72859145 中文文档:http://keras-cn.readthedocs.io/ ...
- Spark2.0 特征提取、转换、选择之二:特征选择、文本处理,以中文自然语言处理(情感分类)为例
特征选择 RFormula RFormula是一个很方便,也很强大的Feature选择(自由组合的)工具. 输入string 进行独热编码(见下面例子country) 输入数值型转换为double(见 ...
- 并发编程概述 委托(delegate) 事件(event) .net core 2.0 event bus 一个简单的基于内存事件总线实现 .net core 基于NPOI 的excel导出类,支持自定义导出哪些字段 基于Ace Admin 的菜单栏实现 第五节:SignalR大杂烩(与MVC融合、全局的几个配置、跨域的应用、C/S程序充当Client和Server)
并发编程概述 前言 说实话,在我软件开发的头两年几乎不考虑并发编程,请求与响应把业务逻辑尽快完成一个星期的任务能两天完成绝不拖三天(剩下时间各种浪),根本不会考虑性能问题(能接受范围内).但随着工 ...
- Tensorflow中的图(tf.Graph)和会话(tf.Session)详解
Tensorflow中的图(tf.Graph)和会话(tf.Session) Tensorflow编程系统 Tensorflow工具或者说深度学习本身就是一个连贯紧密的系统.一般的系统是一个自治独立的 ...
- CSS3与页面布局学习总结(二)——Box Model、边距折叠、内联与块标签、CSSReset
一.盒子模型(Box Model) 盒子模型也有人称为框模型,HTML中的多数元素都会在浏览器中生成一个矩形的区域,每个区域包含四个组成部分,从外向内依次是:外边距(Margin).边框(Border ...
- Map集合及与Collection的区别、HashMap和HashTable的区别、Collections、
特点:将键映射到值的对象,一个映射不能包含重复的键,每个键最多只能映射到一个值. Map集合和Collection集合的区别 Map集合:成对出现 (情侣) ...
随机推荐
- Pyqt5-QtWidget的使用
QTableWidget是QTableViewer的子类 ,其中QTableViewer可以使用自定义的数据模型来显示内容(通过setModel ()来绑定数据源),而QTableWidget提供了一 ...
- 在Linux中使用minikube
Minikebe Minikube是一个轻量级Kubernetes实现,它在本地机器上创建一个VM,并部署一个只包含一个节点的简单集群. Minikube使用Docker机器来管理Kubernetes ...
- vs2017 开发.NetCore部署docker
一.环境 操作系统:windows 10 64bit 开发环境:vs2017 部署环境:docker — windows 二.准备 安装docker: 见:https://www.cnblogs.c ...
- Asp.Net Core 反向工程
反向工程1.反向工程是实体类型类和一个基于数据库架构的 DbContext 类的基架的过程2.Scaffold-DbContext(数据库上下文脚手架) 使用Scaffold-DbContext ...
- 【Web】jquery合并单元格
合并单元格的情况,在开发中还是比较多见的,以下仅介绍合并行的情况. 原来的table效果 效果如下: 代码如下: <!DOCTYPE html> <html xmlns=" ...
- Opencv中的WMesh
费了半天劲,终于把这个WMesh类搞懂了,可惜效果不佳,比Matlab中的mesh差多了. 使用WMesh前,需要有一个Mesh对象,Mesh是三维数据点的基本几何信息.颜色信息.索引信息等集成的对象 ...
- Python爬虫学习==>第二章:MongoDB环境配置
学习目的: MongoDB的安装 正式步骤 (VMWare 虚拟机上无法安装这个MongoDB的自启动服务,如果你能办到,请多赐教) Step1:MongoDB的简介 MongoDB是一个基于分布式文 ...
- flask 之(六) --- API|RestfulApi
接口概念 IOP:面向接口编程,不再关注具体的实现:只关注输入.输出. http://www.ruanyifeng.com/blog/2018/10/restful-api-best-practice ...
- 【miscellaneous】最新HEVC/H.265 4K视频,显卡解码测试
转载自:http://bbs.zol.com.cn/diybbs/d34441_76103.html 4K这个概念也在最近几年开始流行了起来,无论是4K显示器.4K电视盒子,还是4K游戏对硬件的要求也 ...
- NXP-PN511-antenna-design-quide
NXP-PN511-antenna-design-quide 文库有下载 C1 C2