Ответ 1
Если хотя бы один из x или y является объектом tf.Tensor, выражения tf.add(x, y) и x + y эквивалентны. Основная причина, вы можете использовать tf.add(), чтобы явно указать name аргумента ключевого слова для созданного цита, что невозможно с перегруженной версией оператора.
Заметим, что если ни x ни y не являются tf.Tensor - например, если они являются массивами NumPy, то x + y не будет создавать tf.Tensor. tf.add() всегда создает оператор TensorFlow и преобразует его аргументы в объекты tf.Tensor. Поэтому, если вы пишете библиотечную функцию, которая может принимать как тензоры, так и массивы NumPy, вы можете использовать tf.add().
Следующие операторы перегружены в API Penson TensorFlow:
-
__neg__(унарный-) -
__abs__(abs()) -
__invert__(унарный~) -
__add__(двоичный+) -
__sub__(двоичный-) -
__mul__(двоичный__mul__*) -
__div__(двоичный/в Python 2) -
__floordiv__(двоичный//в Python 3) -
__truediv__(двоичный/в Python 3) -
__mod__(двоичный%) -
__pow__(двоичный**) -
__and__(двоичный&) -
__or__(двоичный|) -
__xor__(двоичный^) -
__lt__(двоичный<) -
__le__(двоичный<=) -
__gt__(двоичный>) -
__ge__(binary>=)
Обратите внимание: __eq__ (binary ==) не перегружен. x == y будет просто возвращать логическое значение Python, если x и y относятся к одному и тому же тензору. Вы должны явно использовать tf.equal() для проверки равенства по элементам. То же самое касается не равных, __ne__ (двоичный !=).