【深度学习】TensorFlow：向量与矩阵相乘

我在阅读《TensorFlow实战Google深度学习框架》的时候，敲了一下入门中实现了神经网络的前向传播过程的代码，如下：

import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
w1 = tf.Variable(tf.random_normal((2,3) , stddev=1,seed=1))
w2 = tf.Variable(tf.random_normal((3,1) , stddev=1,seed=1))
#特征向量 x1 x2
x = tf.constant([0.7,0.9])
#神经网络 前向传播算法
a = tf.matmul(x,w1)
y = tf.matmul(a,w2)
sess = tf.Session()
#使用sess执行已经定义好的计算  对已经定义好的变量进行初始化
sess.run(w1.initializer)
sess.run(w2.initializer)
print(sess.run(y))
sess.close()

运行报错：ValueError: Shape must be rank 2 but is rank 1 for 'MatMul' (op: 'MatMul') with input shapes: [2], [2,3].

在网上搜索了一下，说是tensorflow不支持向量和矩阵相乘，我就在想，难道编书的人没有考虑到这一点么？

网上也有相关的解决方法，嗯，我看不懂他们写的啥，毕竟刚开始学，可以理解吧

这时候突然被我的惊人的智商折服了，向量乘矩阵不行，那我就矩阵乘矩阵吧，然后顺利通过，今天的小成就~~

x = tf.constant([[0.7,0.9],[0,0]])

注意，矩阵的外面还要用一个中括号括起来，顺利运行，不过变成了两行一列的矩阵了：

[  [3.957578]

        [0]         ]