### 1、+ - * / 1.1、常用数据对应元素的加减乘除 ### 2、@, matmul 矩阵相乘 [b,3,4]@[b,4,5] =[3,4]@[4,5] =[3,5] =[b,3,5] **注意：这里是维度，不是数值** 已知公式: 第一个矩阵的每一行，乘以，第二个矩阵的每一列, 然后计算两个向量的乘法: $`$x_0^0*w_0^0+x_0^1*w_1^0$`$ ```py # 矩阵相乘 a=tf.fill([2,2],1) b=tf.fill([2,2],2) c=a@b c=[[4,4],[4,4]] # 另外一种写法 c=tf.matmul(a, b) # 如果维度不符合，可以先通过broadcast扩张，然后再进行矩阵运算 a=[4,2,3] b=[3,5] b=tf.broadcast_to(b,[4,3,5]) c=a@b c=[4,2,5] ``` ### 3、常用公式 求平均值，最大值/最小值/求和 reduce_mean/max/min/sum ### 4、$log_e$ 和 $e^x$ ```py # Log a=tf.ones([2,2]) b=tf.math.log(a) b=[[0,0],[0,0]] # 因为e的0次方等于1，所以对矩阵中的每个1求log为0. # Exp c=tf.exp(a) # 同理对每个元素求e的1次，结果存在矩阵 ``` ### 5、log2,log10 已知公式： $`$log_e^b/log_e^c=log_c^b$`$ 求解： $`$log_2^8 = log_e^8 / log_e^2=3$`$ ```py tf.math.log(8.)/tf.math.log(2.)=3 ``` ### 6、pow平方, sqrt开方 ```py # pow 平方 a=tf.fill([2,2],2.) b=tf.pow(a,3) b=[[8,8],[8,8]] # 另外一种写法 b=a**3 # sqrt 开方 c=tf.sqrt(b) c=[[2,2], [2,2]] ```