详细的np.matmul / np.dot / np.multiply / tf.matmul / tf.multiply / *
总结
关于numpy和tensor的内部数据乘积，主要是有以下相关函数可以操作。
- 通用函数：
* numpy中函数：np.matmul/np.dot/np.multiplytensorflow中函数：tf.matmul/tf.multiply
一览表
| 操作/ 数据 | numpy | tensor |
|---|---|---|
| * | 按位元素相乘，返回array |
按位元素相乘，返回tensor |
| np.matmul(A,B) | 矩阵相乘操作，返回array |
<！！无法操作！！> |
| np.dot(A,B) | 点积，<内部操作意义不明> | 点积，<内部操作意义不明> |
| np.multiply(A,B) | 按位元素相乘，返回array |
按位元素相乘，返回tensor |
| tf.matmul(A,B) | 矩阵相乘操作，返回tensor |
矩阵相乘操作，返回tensor |
| tf.multiply(A,B) | 按位元素相乘，返回tensor |
按位元素相乘，返回tensor |
- 通用函数可以对两种数据(
tensor/array)进行按位元素相乘的操作，返回对应的数据格式(tensor返回tensor,array返回array) np.matmul可以对numpy数据矩阵相乘操作，返回array,对tensor数据无法操作; 特殊np.multiply可以对两种数据(tensor/array)均进行按位元素相乘的操作，返回对应的数据格式(tensor返回tensor,array返回array)tf.matmul(x,y)可以对两种数据(tensor/array)矩阵相乘操作，均生成tensor；tf.multiply可以对两种数据(tensor/array)均进行按位元素相乘的操作，均生成tensor。
给定实验数据
# numpy数据
x = np.random.randn(2,3,4)*10 # 2, 3, 4
y = np.random.randn(2,4,3)*10 # 2, 4, 3
z = np.random.randn(2,3,4)*10 # 2, 3, 4
# tensorflow数据
x_ = tf.convert_to_tensor(x) # 2, 3, 4
y_ = tf.convert_to_tensor(y) # 2, 4, 3
z_ = tf.convert_to_tensor(z) # 2, 3, 4
通用函数*
1.在tensor数据中，只能对shape相等的数据操作。是等效于tf.mul(x, z)函数的，也就是按位元素相乘，但是该api被废弃了，被tf.multiply(x_,z_)代替。
如下所示的结果
int: x_*z_
out: <tf.Tensor 'mul_4:0' shape=(2, 3, 4) dtype=float64>
如果是x_*y_会报错，因为矩阵结构不对。
2. 在numpy的数据，只能对shape相等的数据操作，就是等效于np.multiply(x, z)函数的，也就是按位元素相乘。
int: (x*z).shape
out: [2,3,4]
int: np.multiply(x,z).shape
out: [2,3,4]
如果是x*y会报错，因为矩阵结构不对。
numpy中的操作函数
1.np.matmul可以对numpy数据矩阵相乘操作，返回array。
对tensor数据无法操作的原因是，tensor只有在开启会话后才知道是什么具体内部信息。如下
# 对numpy数据操作
np.matmul(x,y)
array([[[ 135.00353387, 91.52903838, -171.80624465],
[ -48.06257232, 226.70191293, -99.31504134],
[ -13.07481602, -65.88699065, -285.02107715]],
[[-418.64431827, 352.70885364, 386.94553585],
[ 316.96375007, 80.67215049, -130.78989204],
[-207.21033988, 47.25128822, 62.5329744 ]]])
## 对tensor操作，没有开启会话，shape不清晰无法操作。
np.matmul(x_,y_)
ValueError: matmul: Input operand 0 does not have enough dimensions
(has 0, gufunc core with signature (n?,k),(k,m?)->(n?,m?) requires 1)
2.np.multiply可以对两种数据(tensor/array)均进行按位元素相乘的操作，返回对应的数据格式(tensor返回tensor,array返回array)
# 对numpy数据操作
np.multiply(x,z)
array([[[ 13.2853443 , 17.24155086, -34.87846792, 38.32096247],
[-170.15795371, -32.70534678, -5.48962254, 130.43221194],
[ 38.3870938 , 150.13360364, 44.23867107, -74.42425187]],
[[ -91.30385223, -6.00035432, 9.35122873, 21.70442799],
[ 36.825695 , -104.87642619, -55.69509325, 89.90946649],
[ 52.98619734, 21.6885545 , 2.57517183, -2.36556962]]])
#对tensor操作
np.multiply(x_,z_)
<tf.Tensor 'mul_8:0' shape=(2, 3, 4) dtype=float64>
3.np.dot这是最神奇的操作，官方描述含义是点积，但是我没咋用过，就不写了，而且生产的值在三维以上后，会非常奇怪，奇怪在违反我们常见的数据变化。。其实这个函数是符合某个公式，大家想详细了解的可以去查。
tensorflow中的操作函数
1.tf.matmul(x,y)可以对numpy和tensor两种数据矩阵相乘操作 ，均生成tensor。
tf.matmul(x,y)
<tf.Tensor 'MatMul_1:0' shape=(2, 3, 3) dtype=float64>
tf.matmul(x_,y_)
<tf.Tensor 'MatMul_4:0' shape=(2, 3, 3) dtype=float64>
2.tf.multiply(x,y)可以对numpy和tensor两种数据 按位元素相乘 操作,，均生成tensor。
tf.multiply(x,z)
<tf.Tensor 'Mul_6:0' shape=(2, 3, 4) dtype=float64>
tf.multiply(x_,z_)
<tf.Tensor 'Mul_7:0' shape=(2, 3, 4) dtype=float64>