TensorFlow：tf.matmul函數(shù)

函數(shù)：tf.matmul

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
)

定義在：tensorflow/python/ops/math_ops.py.

參考指南：數(shù)學(xué)函數(shù)>矩陣數(shù)學(xué)函數(shù)

將矩陣 a 乘以矩陣 b,生成a * b

輸入必須在任何轉(zhuǎn)換之后是 rank> = 2 的張量,其中內(nèi)部 2 維度指定有效的矩陣乘法參數(shù),并且任何其他外部維度匹配.

兩個矩陣必須是相同類型.支持的類型有：float16,float32,float64,int32,complex64,complex128.

通過將相應(yīng)的標(biāo)志之一設(shè)置為 True,矩陣可以被轉(zhuǎn)置或 adjointed(共軛和轉(zhuǎn)置).默認(rèn)情況下,這些都是 False.

如果一個或兩個矩陣包含很多的零,則可以通過將相應(yīng)的 a_is_sparse 或 b_is_sparse 標(biāo)志設(shè)置為 True 來使用更有效的乘法算法,默認(rèn)為 false.這個優(yōu)化僅適用于具有數(shù)據(jù)類型為bfloat16 或 float32 的純矩陣(rank 為2的張量).

例如：

# 2-D tensor `a`
a = tf.constant([1, 2, 3, 4, 5, 6], shape=[2, 3]) => [[1. 2. 3.]
                                                      [4. 5. 6.]]
# 2-D tensor `b`
b = tf.constant([7, 8, 9, 10, 11, 12], shape=[3, 2]) => [[7. 8.]
                                                         [9. 10.]
                                                         [11. 12.]]
c = tf.matmul(a, b) => [[58 64]
                        [139 154]]

# 3-D tensor `a`
a = tf.constant(np.arange(1, 13, dtype=np.int32),
                shape=[2, 2, 3])                  => [[[ 1.  2.  3.]
                                                       [ 4.  5.  6.]],
                                                      [[ 7.  8.  9.]
                                                       [10. 11. 12.]]]

# 3-D tensor `b`
b = tf.constant(np.arange(13, 25, dtype=np.int32),
                shape=[2, 3, 2])                   => [[[13. 14.]
                                                        [15. 16.]
                                                        [17. 18.]],
                                                       [[19. 20.]
                                                        [21. 22.]
                                                        [23. 24.]]]
c = tf.matmul(a, b) => [[[ 94 100]
                         [229 244]],
                        [[508 532]
                         [697 730]]]

# Since python >= 3.5 the @ operator is supported (see PEP 465).
# In TensorFlow, it simply calls the `tf.matmul()` function, so the
# following lines are equivalent:
d = a @ b @ [[10.], [11.]]
d = tf.matmul(tf.matmul(a, b), [[10.], [11.]])

參數(shù)：

• a：類型為 float16,float32,float64,int32,complex64,complex128 和 rank > 1的張量.
• b：與 a 具有相同類型和 rank.
• transpose_a：如果 True,a 在乘法之前轉(zhuǎn)置.
• transpose_b：如果 True,b 在乘法之前轉(zhuǎn)置.
• adjoint_a：如果 True,a 在乘法之前共軛和轉(zhuǎn)置.
• adjoint_b：如果 True,b 在乘法之前共軛和轉(zhuǎn)置.
• a_is_sparse：如果 True,a 被視為稀疏矩陣.
• b_is_sparse：如果 True,b 被視為稀疏矩陣.
• name：操作名稱(可選).

返回：

該函數(shù)返回與 a 和 b 具有相同類型的張量,其中每個最內(nèi)矩陣是 a 和 b 中對應(yīng)矩陣的乘積,例如,如果所有轉(zhuǎn)置或伴隨的屬性為 False：

output[..., i, j] = sum_k (a[..., i, k] * b[..., k, j]), for all indices i, j

Note：這是矩陣乘積,而不是元素的乘積.

可能引發(fā)的異常：

• ValueError：如果 transpose_a 和 adjoint_a,或者 transpose_b 和 adjoint_b 都設(shè)置為 True.