# 操作 TensorFlow 为我们提供了许多可以应用于 Tensors 的操作。通过传递值并将输出分配给另一个张量来定义操作。例如，在提供的 Jupyter Notebook 文件中，我们定义了两个操作，`op1`和`op2`： ```py op1 = tf.add(c2,c3) op2 = tf.multiply(c2,c3) ``` 当我们打印`op1`和`op2`时，我们发现它们被定义为张量： ```py print('op1 : ', op1) print('op2 : ', op2) ``` 输出如下： ```py op1 : Tensor("Add:0", shape=(), dtype=float32) op2 : Tensor("Mul:0", shape=(), dtype=float32) ``` 要打印这些操作的值，我们必须在 TensorFlow 会话中运行它们： ```py print('run(op1) : ', tfs.run(op1)) print('run(op2) : ', tfs.run(op2)) ``` 输出如下： ```py run(op1) : 13.0 run(op2) : 42.0 ``` 下表列出了一些内置操作： | **操作类型** | **操作** | | --- | --- | | 算术运算 | `tf.add`，`tf.subtract`，`tf.multiply`，`tf.scalar_mul`，`tf.div`，`tf.divide`，`tf.truediv` ， `tf.floordiv` ， `tf.realdiv` ， `tf.truncatediv` ， `tf.floor_div` ， `tf.truncatemod` ， `tf.floormod` ， `tf.mod` ， `tf.cross` | | 基本的数学运算 | `tf.add_n`，`tf.abs`，`tf.negative`，`tf.sign`，`tf.reciprocal`，`tf.square`，`tf.round` ， `tf.sqrt` ， `tf.rsqrt` ， `tf.pow` ， `tf.exp` ， `tf.expm1` ， `tf.log` ， `tf.log1p` ， `tf.ceil` ， `tf.floor` ， `tf.maximum` ， `tf.minimum` ， `tf.cos` ， `tf.sin` ， `tf.lbeta` ， `tf.tan` ， `tf.acos` ， `tf.asin` ， `tf.atan` ， `tf.lgamma` ， `tf.digamma` ， `tf.erf` ， `tf.erfc` ， `tf.igamma`， `tf.squared_difference` ， `tf.igammac`，`tf.zeta`，`tf.polygamma`，`tf.betainc`，`tf.rint` | | 矩阵数学运算 | `tf.diag`，`tf.diag_part`，`tf.trace`，`tf.transpose`，`tf.eye`，`tf.matrix_diag`，`tf.matrix_diag_part`，`tf.matrix_band_part`，`tf.matrix_set_diag`，`tf.matrix_transpose`，`tf.matmul`，`tf.norm`，`tf.matrix_determinant` ]，`tf.matrix_inverse`，`tf.cholesky`，`tf.cholesky_solve`，`tf.matrix_solve`，`tf.matrix_triangular_solve`，`tf.matrix_solve_ls`，`tf.qr, tf.self_adjoint_eig`，`tf.self_adjoint_eigvals`，`tf.svd` | | 张量数学运算 | `tf.tensordot` | | 复数运算 | `tf.complex`，`tf.conj`，`tf.imag`，`tf.real` | | 字符串操作 | `tf.string_to_hash_bucket_fast`，`tf.string_to_hash_bucket_strong`，`tf.as_string`，`tf.encode_base64`，`tf.decode_base64`，`tf.reduce_join`，`tf.string_join`，`tf.string_split`，`tf.substr`，`tf.string_to_hash_bucket` |