Python tf.linalg.matvec用法及代码示例

将矩阵 a 乘以向量 b ，产生 a * b 。

用法

tf.linalg.matvec(
    a, b, transpose_a=False, adjoint_a=False, a_is_sparse=False, b_is_sparse=False,
    name=None
)

矩阵 a 在任何转置之后必须是秩 >= 2 的张量，其中 shape(a)[-1] == shape(b)[-1] 和 shape(a)[:-2] 能够使用 shape(b)[:-1] 进行广播。

a 和b 必须是同一类型。支持的类型是：float16 , float32 , float64 , int32 , complex64 , complex128。

矩阵 a 可以通过将相应标志之一设置为 True 来动态转置或连接(共轭和转置)。默认情况下，这些是False。

如果一个或两个输入包含很多零，则可以通过将相应的 a_is_sparse 或 b_is_sparse 标志设置为 True 来使用更有效的乘法算法。默认情况下，这些是False。此优化仅适用于数据类型为 bfloat16 或 float32 的普通矩阵/向量(rank-2/1 张量)。

例如：

# 2-D tensor `a`
# [[1, 2, 3],
#  [4, 5, 6]]
a = tf.constant([1, 2, 3, 4, 5, 6], shape=[2, 3])

# 1-D tensor `b`
# [7, 9, 11]
b = tf.constant([7, 9, 11], shape=[3])

# `a` * `b`
# [ 58,  64]
c = tf.linalg.matvec(a, b)


# 3-D tensor `a`
# [[[ 1,  2,  3],
#   [ 4,  5,  6]],
#  [[ 7,  8,  9],
#   [10, 11, 12]]]
a = tf.constant(np.arange(1, 13, dtype=np.int32),
                shape=[2, 2, 3])

# 2-D tensor `b`
# [[13, 14, 15],
#  [16, 17, 18]]
b = tf.constant(np.arange(13, 19, dtype=np.int32),
                shape=[2, 3])

# `a` * `b`
# [[ 86, 212],
#  [410, 563]]
c = tf.linalg.matvec(a, b)