AI学习之路（19）TensorFlow里的矩阵乘法
如果对矩阵的知识有点遗忘，有点陌生，有点想不起来，请先看看这个网页：
http://blog.csdn.net/caimouse/article/details/55001181
基础知识已经补过了，就直接来使用TF的矩阵乘法了。
tf.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)
对矩阵a和矩阵b进行乘法，也就是a * b。两个参数输入必须是矩阵形式（张量的行列大于2），符合矩阵乘法的前后矩阵行列形式，包括转置之后。两个矩阵必须具有相同的数据类型，支持的数据类型：float16, float32, float64, int32, complex64, complex128。
也可以通过参数 transpose_a或transpose_b来设置矩阵在乘法之前进行转置，这时这些标志位应该设置为True，默认是False。
如果知道某一个矩阵有比较多0元素存在，也就是说存在稀疏矩阵，这时候可以通过设置参数a_is_sparse 或 b_is_sparse标志为True，这样可以大大优化矩阵的乘法计算。但张量的形式必须为2，数据类型为 float16 or float32。
例子:
#python 3.5.3
#2017-03-09 蔡军生 http://blog.csdn.net/caimouse
#
import tensorflow as tf
import numpy as np
a = tf.constant([1, 2, 3, 4, 5, 6], shape=[2, 3])
b = tf.constant([7, 8, 9, 10, 11, 12], shape=[3, 2])
c = tf.matmul(a, b)
print(a)
print(b)
print(c)
# 在运行图计算之前，先初始化全局变量.
init = tf.global_variables_initializer()
# 准备会话来运行图.
with tf.Session() as sess:
sess.run(init)
print('a=', a.eval())
print('b=', b.eval())
print('c=', c.eval())
print('\n\n3-D')
#三维张量
a = tf.constant(np.arange(1,13), shape=[2, 2, 3])
b = tf.constant(np.arange(13,25), shape=[2, 3, 2])
c = tf.matmul(a, b)
# 准备会话来运行图.
with tf.Session() as sess:
sess.run(init)
print('a=', a.eval())
print('b=', b.eval())
print('c=', c.eval())
结果输出如下：
============== RESTART: D:/work/csdn/tensorflow/MNIST/matmul.py ==============
Tensor("Const:0", shape=(2, 3), dtype=int32)
Tensor("Const_1:0", shape=(3, 2), dtype=int32)
Tensor("MatMul:0", shape=(2, 2), dtype=int32)
a= [[1 2 3]
[4 5 6]]
b= [[ 7 8]
[ 9 10]
[11 12]]
c= [[ 58 64]
[139 154]]
3-D
a= [[[ 1 2 3]
[ 4 5 6]]
[[ 7 8 9]
[10 11 12]]]
b= [[[13 14]
[15 16]
[17 18]]
[[19 20]
[21 22]
[23 24]]]
c= [[[ 94 100]
[229 244]]
[[508 532]
[697 730]]]
>>>