在 tensorflow 和numpy 中矩阵的加法

A_{m×n×..×km \times n \times ..\times km×n×..×k} 和B_{1×k1\times k1×k} 矩阵相加

相当于在最后一个维度上map 依次相加A[-s:] for s in rang(k)

import numpy as np a=np.array(range(3*4)).reshape([3,4])
b=np.array([0.2]*4)print('a.shape=',a.shape)
print('b.shape=',b.shape)print(a+b)print('-'*20+'我是分割线'+'-'*20)
a=np.array(range(2*3*4)).reshape([2,3,4])
b=np.array([0.2]*4)print('a.shape=',a.shape)
print('b.shape=',b.shape)print(a+b)

输出

a.shape= (3, 4)
b.shape= (1, 4)
[[ 0.2  1.2  2.2  3.2][ 4.2  5.2  6.2  7.2][ 8.2  9.2 10.2 11.2]]
--------------------我是分割线--------------------
a.shape= (2, 3, 4)
b.shape= (1, 4)
[[[ 0.2  1.2  2.2  3.2][ 4.2  5.2  6.2  7.2][ 8.2  9.2 10.2 11.2]][[12.2 13.2 14.2 15.2][16.2 17.2 18.2 19.2][20.2 21.2 22.2 23.2]]]

A_{m×n×..×p×km \times n \times ..\times p\times km×n×..×p×k} 和B_{p×kp\times kp×k} 矩阵相加

相当于在最后两个维度的分块加上B,A[-s:] for s in rang(p*k)

a=np.array(range(2*3*4)).reshape([2,3,4])
b=np.array(range(3*4)).reshape([3,4])*0.1print('a.shape=',a.shape)
print('b.shape=',b.shape)
print(a+b)

a.shape= (2, 3, 4)
b.shape= (3, 4)
[[[ 0.   1.1  2.2  3.3][ 4.4  5.5  6.6  7.7][ 8.8  9.9 11.  12.1]][[12.  13.1 14.2 15.3][16.4 17.5 18.6 19.7][20.8 21.9 23.  24.1]]]

A_{2×3×42 \times 3\times 42×3×4} 和B_{2×1×42 \times 1\times 42×1×4} 矩阵相加

c[0]=a[0]+b[0],c[1]=a[1]+b[1]

a=np.array(range(2*3*4)).reshape([2,3,4])
b=np.array([[[9,9,9,9]],[[2,3,5,9]]])
c=a+b
print('a.shape=',a.shape)
print('b.shape=',b.shape)print(c)

a.shape= (2, 3, 4)
b.shape= (2, 1, 4)
[[[ 9 10 11 12][13 14 15 16][17 18 19 20]][[14 16 19 24][18 20 23 28][22 24 27 32]]]

在 tensorflow 和numpy 中矩阵的加法相关推荐

numpy中矩阵的转置_NumPy矩阵transpose（）-Python中数组的转置
numpy中矩阵的转置 The transpose of a matrix is obtained by moving the rows data to the column and columns ...
TensorFlow、Numpy中的axis的理解
TensorFlow中有很多函数涉及到axis,比如tf.reduce_mean(),其函数原型如下: def reduce_mean(input_tensor,axis=None,keepdims= ...
python3 numpy中矩阵np.dot(a,b)乘法运算
python np.dot(a,b)乘法运算首先我们知道矩阵运算是不满足交换律的,np.dot(a, b)与np.dot(b, a)是不一样的另外np.dot(a,b)和a.dot(b)果是一样的 ...
Numpy中矩阵向量乘法np.dot()及np.multiply()以及*区别
Numpy中的矩阵向量乘法分别是np.dot(a,b).np.multiply(a,b) 以及*,刚开始接触的时候比较模糊,于是自己整理了一下.先来介绍理论,然后再结合例子深入了解一下. 数组矩阵 ...
Numpy中矩阵对象
numpy模块中的矩阵对象为numpy.matrix,包括矩阵数据的处理,矩阵的计算,以及基本的统计功能,转置,可逆性等等,包括对复数的处理,均在matrix对象中. class numpy.matr ...
numpy中矩阵的点乘和叉乘
点乘:两个矩阵对应位置的元素相乘,且这两个矩阵行数列数相等 import numpy as np a=np.array([[1,2,3],[1,2,3],[1,2,3]]) b=np.array([[ ...
numpy中的矩阵与数学上的矩阵的关系
➤00 矢量.矩阵在数学上,矢量和矩阵之间具有很强的联系.矢量可以看成行数.或者列数为1的矩阵.所以它可以被分成行矢量,或者列矢量. 下面分别表示了一个行矢量和一个列矢量. xˉ=[x1,x2,x3 ...
numpy中向量和矩阵相关乘法总结
numpy中矩阵相关乘法总结一.numpy中向量和矩阵的概念向量:1维矩阵:至少是2维注意:numpy中对于向量的定义与数学中对向量的定义有些不同,数学中对向量的定义是竖向写法,但由于nump ...
python中tile的用法_Python：numpy中的tile函数
在学习机器学习实教程时,实现KNN算法的代码中用到了numpy的tile函数,因此对该函数进行了一番学习: tile函数位于python模块 numpy.lib.shape_base中,他的功能是重复 ...

在 tensorflow 和numpy 中矩阵的加法

A_{m×n×..×km \times n \times ..\times km×n×..×k} 和B_{1×k1\times k1×k} 矩阵相加

相当于在最后一个维度上map 依次相加A[-s:] for s in rang(k)

A_{m×n×..×p×km \times n \times ..\times p\times km×n×..×p×k} 和B_{p×kp\times kp×k} 矩阵相加

相当于在最后两个维度的分块加上B,A[-s:] for s in rang(p*k)

A_{2×3×42 \times 3\times 42×3×4} 和B_{2×1×42 \times 1\times 42×1×4} 矩阵相加

c[0]=a[0]+b[0],c[1]=a[1]+b[1]

在 tensorflow 和numpy 中矩阵的加法相关推荐

最新文章

热门文章

在 tensorflow 和numpy 中矩阵的加法

Am×n×..×km \times n \times ..\times km×n×..×k 和B1×k1\times k1×k 矩阵相加

相当于在最后一个维度上map 依次相加A[-s:] for s in rang(k)

Am×n×..×p×km \times n \times ..\times p\times km×n×..×p×k 和Bp×kp\times kp×k 矩阵相加

相当于在最后两个维度的分块加上B,A[-s:] for s in rang(p*k)

A2×3×42 \times 3\times 42×3×4 和B2×1×42 \times 1\times 42×1×4 矩阵相加

c[0]=a[0]+b[0],c[1]=a[1]+b[1]

在 tensorflow 和numpy 中矩阵的加法相关推荐

最新文章

热门文章

A_{m×n×..×km \times n \times ..\times km×n×..×k} 和B_{1×k1\times k1×k} 矩阵相加

A_{m×n×..×p×km \times n \times ..\times p\times km×n×..×p×k} 和B_{p×kp\times kp×k} 矩阵相加

A_{2×3×42 \times 3\times 42×3×4} 和B_{2×1×42 \times 1\times 42×1×4} 矩阵相加