ZHYCarge的博客

旧平台，已不再维护，请点击下方链接转至新平台访问

0%

使用tf进行基本的矩阵运算

发表于 更新于 分类于 ， Valine：

前言

尝试根据b站大佬来扩充自己的知识面

本人使用的环境为tf2.0但是b站视频是1.0，因此与视频会稍有不符合

参考

B站视频

过程

代码片段1

这里仅贴出跟着b站视频写出来的代码，并在有些区域会有些许注释

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
import tensorflow as tf
# data1 = tf.placeholder(tf.float32)        # 该方法在2.0版本之后就已经被弃用
# data2 = tf.placeholder(tf.float32)        # 该方法在2.0版本之后就已经被弃用


# 2.0之后使用
tf.compat.v1.disable_eager_execution()  # 初始化新版本的模块化更新信息

data1 = tf.compat.v1.placeholder(tf.float32)
data2 = tf.compat.v1.placeholder(tf.float32)
dataAdd = tf.add(data1, data2)

# with tf.sesson() as sess: # 该方法已经在2.0之后弃用

# 2.0之后使用
with tf.compat.v1.Session() as sess:
    print(sess.run(dataAdd,  feed_dict={data1: 6, data2: 2}))
    # feed_dict 为其中的内容进行赋值
print("end")

输出内容：

1
2
8.0
end

代码片段2

此部分代码表明Python的矩阵维度定义

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
import tensorflow as tf

tf.compat.v1.disable_eager_execution()  # 初始化新版本的模块化更新信息

data1 = tf.compat.v1.constant([[6, 6]])  # 一行两列
data2 = tf.compat.v1.constant([[2], [2]])  # 两行一列
data3 = tf.compat.v1.constant([[3, 3]])  # 一行两列
data4 = tf.compat.v1.constant([[1, 2], [3, 4], [5, 6]])  # 三行两列
data5 = tf.compat.v1.constant([[1, 2, 3],
                               [4, 5, 6],
                               [7, 8, 9]])  # 三行三列，为了更好区分，因此加了回车

print(data5.shape)  # 打印矩阵维度

with tf.compat.v1.Session() as sess:
    print(sess.run(data5))  # 输出整个矩阵
    print(sess.run(data5[0]))  # 输出矩阵的某一行
    print(sess.run(data5[:, 0]))  # 输出矩阵的某一列
    print(sess.run(data5[0][0]))  # 输出矩阵第一行第一列
# 矩阵的起始位置都是0

输出内容：

1
2
3
4
5
6
7
(3, 3)
[[1 2 3]
 [4 5 6]
 [7 8 9]]
[1 2 3]
[1 4 7]
1

片段

代码片段3

此段代码讲解矩阵乘法

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
# 矩阵乘法
import tensorflow as tf
import os

os.environ["TF_CPP_MIN_LOG_LEVEL"] = "2"

tf.compat.v1.disable_eager_execution()  # 初始化新版本的模块化更新信息

data1 = tf.compat.v1.constant([[6, 6]])  # 一行两列
data2 = tf.compat.v1.constant([[2], [2]])  # 两行一列
data3 = tf.compat.v1.constant([[3, 3]])  # 一行两列
data4 = tf.compat.v1.constant([[1, 2], [3, 4], [5, 6]])  # 三行两列
data5 = tf.compat.v1.constant([[1, 2, 3],
                               [4, 5, 6],
                               [7, 8, 9]])  # 三行三列，为了更好区分，因此加了回车
matMul = tf.matmul(data1, data2)
matMul2 = tf.multiply(data1, data2)     # 类似于加法，对应元素相乘
matAdd = tf.add(data1, data3)
with tf.compat.v1.Session() as sess:
    print(sess.run(matMul))     # 一维
    print(sess.run(matAdd))     # 二维
    print(sess.run(matMul2))
    print(sess.run([matMul, matAdd]))   # 可以通过中括号，一次性打印多个内容
# MK x KN = MN

运行结果：

1
2
3
4
5
[[24]]
[[9 9]]
[[12 12]
 [12 12]]
[array([[24]], dtype=int32), array([[9, 9]], dtype=int32)]

代码片段4

如何定义一个基本矩阵

代码如下：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
import tensorflow as tf
import os

os.environ["TF_CPP_MIN_LOG_LEVEL"] = "2"
tf.compat.v1.disable_eager_execution()  # 初始化新版本的模块化更新信息

mat0 = tf.constant([[0, 0, 0], [0, 0, 0]])  # 自己动手，丰衣足食
mat1 = tf.zeros([2, 3])     # 定义一个三行两列的空矩阵
mat2 = tf.ones([3, 2])      # 定义一个三行两列的1矩阵
mat3 = tf.fill([2, 3], 15)
with tf.compat.v1.Session() as sess:
    print(sess.run(mat0))
    print(sess.run(mat1))
    print(sess.run(mat2))
    print(sess.run(mat3))

运行结果如下：

1
2
3
4
5
6
7
8
9
[[0 0 0]
 [0 0 0]]
[[0. 0. 0.]
 [0. 0. 0.]]
[[1. 1.]
 [1. 1.]
 [1. 1.]]
[[15 15 15]
 [15 15 15]]

代码片段5

如何定义一个非基本矩阵

代码如下：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
# 如何定义一个矩阵（非基础）
import tensorflow as tf
import os

os.environ["TF_CPP_MIN_LOG_LEVEL"] = "2"
tf.compat.v1.disable_eager_execution()  # 初始化新版本的模块化更新信息

mat1 = tf.constant([[2], [3], [4]])
mat2 = tf.zeros_like(mat1)  # 定义一个全零矩阵，维度与mat1相同
mat3 = tf.linspace(0.0, 2.0, 11)    # 创建一个从0-2的一个中间具有11个元素的矩阵
mat4 = tf.compat.v1.random_uniform([2, 3], -1, 2)   # 创建一个2×3的矩阵，并且矩阵数字为 (-1)-2 之间
with tf.compat.v1.Session() as sess:
    print(sess.run(mat2))
    print(sess.run(mat3))
    print(sess.run(mat4))

运行结果如下：

1
2
3
4
5
6
7
8
[[0]
 [0]
 [0]]
[0.        0.2       0.4       0.6       0.8       1.        1.2
 1.4       1.6       1.8000001 2.       ]
[[-0.988165   0.3698578 -0.68531  ]
 [-0.7001637  1.0496833  1.1087246]]

在tf中矩阵的定义

在python中，定义一个矩阵可以采用以下方法进行定义：

1
2
3
# python中矩阵的定义
# 一行两列:[[6,6]]
# 两行两列:[[6,6],[6,6]]

什么是placeholder

Tensorflow中的palceholder，中文翻译为占位符，什么意思呢？

在Tensoflow2.0以前，还是静态图的设计思想，整个设计理念是计算流图，在编写程序时，首先构筑整个系统的graph，代码并不会直接生效，这一点和python的其他数值计算库（如Numpy等）不同，graph为静态的，在实际的运行时，启动一个session，程序才会真正的运行。这样做的好处就是：避免反复地切换底层程序实际运行的上下文，tensorflow帮你优化整个系统的代码。我们知道，很多python程序的底层为C语言或者其他语言，执行一行脚本，就要切换一次，是有成本的，tensorflow通过计算流图的方式，可以帮你优化整个session需要执行的代码。

在代码层面，每一个tensor值在graph上都是一个op，当我们将train数据分成一个个minibatch然后传入网络进行训练时，每一个minibatch都将是一个op，这样的话，一副graph上的op未免太多，也会产生巨大的开销；于是就有了tf.placeholder()，我们每次可以将 一个minibatch传入到x = tf.placeholder(tf.float32,[None,32])上，下一次传入的x都替换掉上一次传入的x，这样就对于所有传入的minibatch x就只会产生一个op，不会产生其他多余的op，进而减少了graph的开销。
——CSDN

其他

错误汇总

报错信息为AttributeError: module 'tensorflow' has no attribute 'placeholder'

由于本人使用的环境不同，根据CSDN上的信息而言，表明在tf版本2.0之后，该方法就已经被进行了弃用，因此我们需要寻找到2.0版本的对应方法，对应方法已经在相关代码片段中进行提及

-------------我也是有底线的哦如需更多，欢迎打赏-------------