在TensorFlow中創建基本應用程式之前，瞭解TensorFlow所需的數學概念非常重要。數學是任何機器學習演算法的核心。在數學核心概念的幫助下，定義了特定機器學習演算法的解決方案。
向量
將數字數組(連續或離散)定義為向量。機器學習演算法處理固定長度向量以產生更好的輸出。
機器學習演算法處理多維數據，因此向量起著至關重要的作用。
向量模型的圖形表示如下所示 -
標量
標量可以定義為一維向量。標量是那些僅包括大小而沒有方向的標量。對於標量，我們只關注幅度。
標量的示例：兒童的體重和身高參數。
矩陣
矩陣可以定義為多維數組，以行和列的格式排列。矩陣的大小由行長度和列長度定義。下圖顯示了任何指定矩陣的表示。
考慮如上所述的具有“m”行和“n”列的矩陣，矩陣表示將指定為“m * n矩陣”，其也定義了矩陣的長度。
數學計算
在本節中，我們將瞭解TensorFlow中的數學計算。
矩陣相加
如果矩陣具有相同的尺寸，則可以相加兩個或更多個矩陣。相加表示根據給定位置添加每個元素。
請考慮以下示例以瞭解矩陣的相加方式是如何工作的 -
矩陣減法
矩陣的減法以類似於添加兩個矩陣的方式操作。如果尺寸相等，用戶可以減去兩個矩陣。
矩陣乘法
對於兩個矩陣A m * n和B p * q是可乘的，n應該等於p。得到的矩陣是 -
矩陣的轉置
矩陣A，m * n的轉置通常由AT(轉置)n * m表示，並且通過將列向量轉置為行向量而獲得。
向量的點積
尺寸n的任何向量可以表示為矩陣v = R ^ n * 1。
兩個向量的點積是相應組件的乘積之和 - 沿相同維度的組件，可以表示為：
向量點積的例子如下 -
