-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathtensorflow_matrices.py
125 lines (112 loc) · 3.6 KB
/
tensorflow_matrices.py
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
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
# -*- coding: utf-8 -*-
"""
TensorFlow 操作矩阵
查看矩阵的值和大小的函数
创建矩阵
矩阵转置
矩阵乘法
矩阵内积
矩阵的加法和减法
矩阵的行列式
矩阵的逆矩阵
矩阵的分解
矩阵的切片与连接
对称矩阵的特征值和特征向量
WangKai 编写于 2019/04/30 13:00:00 (UTC+08:00)
中国科学院大学, 北京, 中国
地球与行星科学学院
Comments, bug reports and questions, please send to:
Versions:
最近更新: 2019/04/30
算法构建，测试
"""
import tensorflow as tf
import numpy as np
""" 查看矩阵的值和大小的函数 """
def print_matrix(matrix_to_print):
# 打印矩阵名
print("\n" + matrix_to_print + ":")
# 打印矩阵的值
with tf.Session() as sess: # 创建一个图会话
print(eval("sess.run(" + matrix_to_print + ")"))
# 打印矩阵的大小
print(eval(matrix_to_print + ".shape"))
""" 创建矩阵 """
# 创建对角矩阵
diag_matrix = tf.diag([1.0, 1.0, 1.0])
print_matrix('diag_matrix')
# 从张量创建矩阵
truncated_matrix = tf.truncated_normal([2, 3])
print_matrix('truncated_matrix')
filled_matrix = tf.fill([2,3], 5.0)
print_matrix('filled_matrix')
randunif_matrix = tf.random_uniform([3,2])
print_matrix('randunif_matrix')
npconv_matrix = tf.convert_to_tensor(np.array([[1., 2., 3.],[-3., -7., -1.],[0., 5., -2.]]))
print_matrix('npconv_matrix')
""" 矩阵转置 """
A = tf.constant([[1.,2.,3.],[4.,5.,6.]])
print_matrix('A')
A_trans = tf.transpose(A)
print_matrix('A_trans')
""" 矩阵乘法 """
B = tf.constant([[4.,5.,6.],[7.,8.,9.]])
print_matrix('B')
AT_matmul_B = tf.matmul(A_trans,B)
print_matrix('AT_matmul_B')
""" 矩阵内积 """
# 矩阵内积有两种方式
A_mul_B = A*B
print_matrix('A_mul_B')
A_mul_B_tf = tf.multiply(A, B)
print_matrix('A_mul_B_tf')
""" 矩阵的加法和减法 """
# 加法有两种方式
A_add_B = A + B
print_matrix('A_add_B')
A_add_B_tf = tf.add(A, B)
print_matrix('A_add_B_tf')
# 减法有两种方式
A_subtract_B = A - B
print_matrix('A_subtract_B')
A_subtract_B_tf = tf.subtract(A, B)
print_matrix('A_subtract_B_tf')
""" 矩阵的行列式 """
C = tf.constant([[1.,2.,3.],[5.,6.,4.],[9.,7.,8.]])
print_matrix('C')
C_det = tf.matrix_determinant(C)
print_matrix('C_det')
""" 矩阵的逆矩阵 """
""" 注意：TensorFlow 中的矩阵求逆方法是 Cholesky 矩阵分解法（又称为平方根法），
矩阵需要为对称正定矩阵或者可进行 LU 分解，否则报错"""
C_inv = tf.matrix_inverse(C)
print_matrix('C_inv')
""" 矩阵的分解 """
D = tf.diag([1.0, 2.0, 3.0])
print_matrix('D')
D_chol = tf.cholesky(D)
print_matrix('D_chol')
# 检验是否正确
D_test = tf.matmul(D_chol, tf.transpose(D_chol))
print_matrix('D_test')
""" 矩阵的切片与连接 """
# 矩阵切片有两种方式
D_slice = D[0,:]
print_matrix('D_slice')
D_slice_tf = tf.slice(D, begin=[0,0], size=[1,3])
print_matrix('D_slice_tf')
# 矩阵连接
D_concat = tf.concat([C,D], axis=0)
print_matrix('D_concat')
""" 对称矩阵的特征值和特征向量 """
""" 注意：tensorflow 只能计算对称矩阵的特征值与特征向量，与 np.linalg.eigh 相同，
非对称矩阵求取的特征值与特征向量并非真正意义上的特征值与特征向量 """
E = tf.constant([[1.,2.,3.],[2.,4.,5.],[3.,5.,6.]]) # 对称矩阵
print_matrix('E')
E_eigenvalues, E_eigenvectors = tf.self_adjoint_eig(E)
print_matrix('E_eigenvalues')
print_matrix('E_eigenvectors')
# 检验是否正确
E_test = tf.matmul(tf.matmul(E_eigenvectors,tf.diag(E_eigenvalues)),tf.matrix_inverse(E_eigenvectors))
print_matrix('E_test')