張量運算
tensorflow定義了很多張量的基本運算，由於張量的特殊屬性，其運算操作主要有兩類，一類是基於行列式/線性代數的，一類是對elemental-wise的運算。最常用的有：
求和：tf.add
乘法：tf.matmul,
求逆運算：tf.linalg.inv
基於線性代數的運算大多數都在tf.linalg模塊中定義。https://tensorflow.google.cn/api_docs/python/tf/linalg
tf.linalg 模塊
tensorflow 的線性代數模塊提供了非常豐富的函數可供調用。除了基本的線性代數行列式運算，例如:
伴隨矩陣（tf.linalg.adjoint）
行列式的值（tf.linalg.det）
轉化爲對角陣（tf.linalg.diag）
求解特徵值和特徵向量（tf.linalg.eigh )
行列式求逆（tf.linalg.inv）
矩陣乘法（tf.linalg.matmul）
矩陣轉置（tf.linalg.matrix_transpose）
QR分解（tf.linalg.qr）
SVD奇異值分解（tf.linalg.svd）
LU分解（tf.linalg.lu）
行列式的跡（tf.linalg.trace）
還有高級一些的矩陣分析中函數，例如伴隨矩陣，循環矩陣等等。
class LinearOperator: Base class defining a [batch of] linear operator[s].
class LinearOperatorAdjoint: LinearOperator representing the adjoint of another operator. 伴隨矩陣
class LinearOperatorBlockDiag: Combines one or more LinearOperators in to a Block Diagonal matrix. 分塊對角陣
class LinearOperatorCirculant: LinearOperator acting like a circulant matrix. 循環矩陣
class LinearOperatorCirculant2D: LinearOperator acting like a block circulant matrix. 分塊循環矩陣
class LinearOperatorCirculant3D: LinearOperator acting like a nested block circulant matrix. 內嵌分塊循環矩陣
class LinearOperatorComposition: Composes one or more LinearOperators. 可以實現一些用戶自定義的行列式操作
class LinearOperatorDiag: LinearOperator acting like a [batch] square diagonal matrix. 求batch的對角方陣
class LinearOperatorFullMatrix: LinearOperator that wraps a [batch] matrix.
class LinearOperatorHouseholder: LinearOperator acting like a [batch] of Householder transformations.
class LinearOperatorIdentity: LinearOperator acting like a [batch] square identity matrix.
class LinearOperatorInversion: LinearOperator representing the inverse of another operator.
class LinearOperatorKronecker: Kronecker product between two LinearOperators.Kronecker乘積
class LinearOperatorLowRankUpdate: Perturb a LinearOperator with a rank K update.
class LinearOperatorLowerTriangular: LinearOperator acting like a [batch] square lower triangular matrix.
class LinearOperatorScaledIdentity: LinearOperator acting like a scaled [batch] identity matrix A = c I.
class LinearOperatorToeplitz: LinearOperator acting like a [batch] of toeplitz matrices.
class LinearOperatorZeros: LinearOperator acting like a [batch] zero matrix.
tf.math模塊
常用的代數函數
在math模塊，集中了常用的代數運算函數，例如
求絕對值( tf.math.abs )
對給定的tensor列表中所有tensor的元素做element-wise的累加和（tf.accumulate_n）
三角函數（tf.math.sin, tf.math.cos, tf.math.tan）
反三角函數（tf.math.acos, tf.math.asin, tf.math.atan）
雙曲函數（tf.math.sinh, tf.math.cosh, tf.math.tanh）
反雙曲餘弦函數（tf.math.asinh, tf.math.acosh）
Bessel樣條擬合（tf.math.bassel_i0, tf.bassel_i0e, tf.math.bessel_i1, tf.math.bassel_i1e）
取整（tf.math.ceil, tf.math.floor）
沿某個維度進行的運算（tf.math.reduce_any, tf.math.reduce_std, tf.math.reduce.mean, …）
也有一些深度學習相關的函數，例如：
混淆矩陣（tf.math.confusion_matrix）
張量某段數據的運算（tf.math.segment_* ）
tf.math.segment_*
對tensor的指定的一段數據進行的操作。有segment_max, segment_mean, segment_min, segment_prod, segment_sum。以segment_max爲例，這裏直接用tensorflow API文檔中的一個例子。
segment_ids=tf.constant([0,0,0,1,2,2,3,3])
v=tf.Variable([5,1,7,2,3,4,1,3])
m=tf.math.segment_max(v,segment_ids)
得到：
m
Out[112]: <tf.Tensor: id=901, shape=(4,), dtype=int32, numpy=array([7, 2, 4, 3], dtype=int32)>
函數內部用給定的segment_id, 依次計算了labe是0， 1，2，3的片段中數據的最大值，計算過程可以形象地展示如下：
c = tf.constant([[1,2,3,4], [4, 3, 2, 1], [5,6,7,8]])
segmax_c = tf.math.segment_max(c, tf.constant([0, 0, 1]))
print(segmax_c)
得到：
tf.Tensor(
[[4 3 3 4]
[5 6 7 8]], shape=(2, 4), dtype=int32)
這裏略有一些費解。實際上，這裏的segment_id將tensor分爲了兩個片段，[[1,2,3,4] [4,3,2,1]] 爲一組, [5,6,7,8]爲一組。之後在比較每個“列”上的最大值，形象地畫圖爲
補充閱讀：
循環行列式：https://www.cnblogs.com/torsor/p/8848641.html