[TensorFlow系列-7]：TensorFlow基础 - 张量的算术运算
作者主页(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing
本文网址：https://blog.csdn.net/HiWangWenBing/article/details/119620066
目录
第1章 Tensor运算概述
1.1 概述
1.3 “in place“运算
1.4 Tensor的广播机制
1.5 环境准备
1.6 算术运算概述：加、减、系数乘、系数除
第2章 加法运算：add
第3章 减法运算：subtract
第4章 乘法运算：multiply
第5章除法运算：divide
第6章 倒数运算 /
第7章 幂运算：power()
第8章 广播机制
第1章 Tensor运算概述
1.1 概述
TensorFlow提供了大量的张量运算，基本上可以对标Numpy多维数组的运算，以支持对张量的各种复杂的运算。
这些操作运算中大多是对数组中每个元素执行相同的函数运算，并获得每个元素函数运算的结果序列，这些序列生成一个新的同维度的数组。
https://tensorflow.google.cn/tutorials/quickstart/beginner?hl=zh-cn
1.2 运算分类
（1）算术运算：加、减、系数乘、系数除
（2）函数运算：sin，cos
（3）取整运算：上取整、下取整
（4）统计运算：最大值、最小值、均值
（5）线性代数运算
1.3 “in place“运算
NA
1.4 Tensor的广播机制
实现不同维度tensor的扩展运算
1.5 环境准备
#环境准备
import numpy as np
import tensorflow as tf
print("hello world")
print("tensorflow version:", tf.__version__)1.6 算术运算概述：加、减、系数乘、系数除
Tensor算术函数包含简单的加减乘除运算: add()，subtract()，multiply() 和 divide()。
算术运算后得到的结果依然是是相同维度的数组。
第2章 加法运算：add
#代码实例
a = tf.range(9)
print ('原数据a：')
print (a)
print ('\n')
b = tf.range(9)
print ('原数据b：')
print (b)
print ('\n')
print ('运算后数据：')
print (a+b)
print (tf.add(a,b))
#print (a.add(b)) #不支持
print ('\n')
print (a)
print ('\n')
输出结果为：
原数据a：
tf.Tensor([0 1 2 3 4 5 6 7 8], shape=(9,), dtype=int32)
原数据b：
tf.Tensor([0 1 2 3 4 5 6 7 8], shape=(9,), dtype=int32)
运算后数据：
tf.Tensor([ 0 2 4 6 8 10 12 14 16], shape=(9,), dtype=int32)
tf.Tensor([ 0 2 4 6 8 10 12 14 16], shape=(9,), dtype=int32)
tf.Tensor([0 1 2 3 4 5 6 7 8], shape=(9,), dtype=int32)第3章 减法运算：subtract
#代码实例
a = tf.range(1,10)
print ('原数据a：')
print (a)
print ('\n')
b = tf.range(0,9)
print ('原数据b：')
print (b)
print ('\n')
print ('运算后数据：')
print (a-b)
print (tf.subtract(a,b))
#print (a.subtract(b)) 不支持
print ('\n')
print (a)
print ('\n')
#输出结果
原数据a：
tf.Tensor([1 2 3 4 5 6 7 8 9], shape=(9,), dtype=int32)
原数据b：
tf.Tensor([0 1 2 3 4 5 6 7 8], shape=(9,), dtype=int32)
运算后数据：
tf.Tensor([1 1 1 1 1 1 1 1 1], shape=(9,), dtype=int32)
tf.Tensor([1 1 1 1 1 1 1 1 1], shape=(9,), dtype=int32)
tf.Tensor([1 2 3 4 5 6 7 8 9], shape=(9,), dtype=int32)第4章 乘法运算：multiply
#代码实例
a = tf.constant([2,4,6,8,10,12])
print ('原数据a：')
print (a)
print ('\n')
b = tf.constant([2,4,6,8,10,12])
print ('原数据b：')
print (b)
print ('\n')
print ('运算后数据：')
print (a*b)
print (tf.multiply(a,b))
# print (a.multiply(b)) #不支持
print ('\n')
print (a)
print ('\n')
#输出结果
原数据a：
tf.Tensor([ 2 4 6 8 10 12], shape=(6,), dtype=int32)
原数据b：
tf.Tensor([ 2 4 6 8 10 12], shape=(6,), dtype=int32)
运算后数据：
tf.Tensor([ 4 16 36 64 100 144], shape=(6,), dtype=int32)
tf.Tensor([ 4 16 36 64 100 144], shape=(6,), dtype=int32)
tf.Tensor([ 2 4 6 8 10 12], shape=(6,), dtype=int32)
第5章除法运算：divide
#代码实例
a = tf.constant([2,4,6,8,10,12])
print ('原数据a：')
print (a)
print ('\n')
b = tf.constant([2,4,6,8,10,12])
print ('原数据b：')
print (b)
print ('\n')
print ('运算后数据：')
print (a/b)
print (tf.divide(a,b))
# print (a.divide(b)) # 不支持
print ('\n')
print (a)
print ('\n')
#输出结果
原数据a：
tf.Tensor([ 2 4 6 8 10 12], shape=(6,), dtype=int32)
原数据b：
tf.Tensor([ 2 4 6 8 10 12], shape=(6,), dtype=int32)
运算后数据：
tf.Tensor([1. 1. 1. 1. 1. 1.], shape=(6,), dtype=float64)
tf.Tensor([1. 1. 1. 1. 1. 1.], shape=(6,), dtype=float64)
tf.Tensor([ 2 4 6 8 10 12], shape=(6,), dtype=int32)
第6章 倒数运算 /
reciprocal() 函数返回参数逐元素的倒数。如 1/4 倒数为 4/1。
#实例
a = tf.constant([2,4,5,8,10,20])
print("原数据a")
print(a)
#导数运算
print("运算数据")
print(1/a)
# print(tf.reciprocal(a)) #不支持
# print(a.reciprocal()) # 不支持
print("原数据")
print (a)#输出结果为：
原数据a
tf.Tensor([ 2 4 5 8 10 20], shape=(6,), dtype=int32)
运算数据
tf.Tensor([0.5 0.25 0.2 0.125 0.1 0.05 ], shape=(6,), dtype=float64)
原数据
tf.Tensor([ 2 4 5 8 10 20], shape=(6,), dtype=int32)第7章 幂运算：power()
power() 函数将第一个输入数组中的元素作为底数，计算它与第二个输入数组中相应元素的幂。
#实例
a = tf.constant([10,10,10,10,10])
b = tf.constant([1,2,3,4,5])
print("原数据a")
print(a)
print("原数据b")
print(b)
#导数运算
print("运算后数据")
#print(a^b)
print(tf.pow(a,b))
# print(a.pow(b)) #不支持
print("原数据a")
print (a)#输出结果为：
原数据a
tf.Tensor([10 10 10 10 10], shape=(5,), dtype=int32)
原数据b
tf.Tensor([1 2 3 4 5], shape=(5,), dtype=int32)
运算后数据
tf.Tensor([ 10 100 1000 10000 100000], shape=(5,), dtype=int32)
原数据a
tf.Tensor([10 10 10 10 10], shape=(5,), dtype=int32)第8章 广播机制
当两个张量的维度不同，对他们进行运算时，需要对维度小的张量进行扩展，扩展成高纬度的张量，这个扩展的过程采用的是广播机制，即对低维度数据进行广播式（拷贝）扩展。
a = tf.range(9)
print ('原数据：')
print (a)
b = tf.reshape(a, [3,3])
print ('\n第一个数组：')
print (b)
print ('\n第二个数组：')
c = np.array([10,10,10])
print (c)
print ('\n两个数组相加：')
print (np.add(b,c))输出结果：
原数据：
tf.Tensor([0 1 2 3 4 5 6 7 8], shape=(9,), dtype=int32)
第一个数组：
tf.Tensor(
[[0 1 2]
[3 4 5]
[6 7 8]], shape=(3, 3), dtype=int32)
第二个数组：
[10 10 10]
两个数组相加：
[[10 11 12]
[13 14 15]
[16 17 18]]作者主页(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing
本文网址：https://blog.csdn.net/HiWangWenBing/article/details/119620066
