你好呀！作为刚接触TensorFlow的新手，这两个问题都是入门阶段非常常见且重要的——我来帮你一步步拆解清楚～

TensorFlow对张量（包括矩阵，也就是二维张量）的数学运算支持非常直观，大部分基础运算可以用和NumPy类似的语法，或者调用TensorFlow提供的专用函数。下面是几个核心场景的例子：

• 基础元素级运算：加减乘除都是逐元素进行的，直接用常规运算符即可：

import tensorflow as tf

# 创建两个2x2矩阵
matrix1 = tf.constant([[1, 2], [3, 4]])
matrix2 = tf.constant([[5, 6], [7, 8]])

# 元素级加法
add_result = matrix1 + matrix2
# 元素级减法
sub_result = matrix1 - matrix2
# 元素级乘法（注意：这不是线性代数中的矩阵乘法）
elementwise_mul = matrix1 * matrix2
# 元素级除法
div_result = matrix1 / matrix2

# 打印结果（将张量转为NumPy数组更易读）
print("加法结果:\n", add_result.numpy())
print("元素级乘法结果:\n", elementwise_mul.numpy())

• 线性代数中的矩阵乘法：如果要做真正的矩阵点乘，需要使用tf.matmul()函数或者@运算符（Python 3.5及以上版本支持）：

# 用tf.matmul实现矩阵乘法
matmul_result = tf.matmul(matrix1, matrix2)
# 用@运算符实现（等价写法）
matmul_result_alt = matrix1 @ matrix2

print("矩阵乘法结果:\n", matmul_result.numpy())

• 进阶线性代数运算：转置、求逆、行列式这类操作，可以借助TensorFlow的tf.linalg模块：

# 矩阵转置
transpose_result = tf.transpose(matrix1)
# 方阵求逆（仅适用于可逆方阵）
inv_result = tf.linalg.inv(matrix1)

print("转置后的矩阵:\n", transpose_result.numpy())

当然可以！在TensorFlow中，掩码通常是和目标矩阵形状一致的布尔张量或数值张量，用来筛选、置零或修改特定位置的元素。下面是两种常见的应用场景：

场景1：布尔掩码（筛选或置零元素） #

比如你想保留矩阵中大于某个阈值的元素，其余置零，或者直接提取这些元素：

# 创建一个3行4列的矩阵A（对应T=3，S=4）
matrix_A = tf.constant([[1, 5, 3, 7],
                        [2, 4, 6, 8],
                        [9, 10, 1, 2]], dtype=tf.float32)

# 创建布尔掩码：筛选出大于5的元素
mask = matrix_A > 5

# 应用掩码：将不满足条件的元素置零
masked_matrix = tf.where(mask, matrix_A, 0.0)

# 或者直接提取满足条件的元素（返回一维张量）
extracted_elements = tf.boolean_mask(matrix_A, mask)

print("原矩阵:\n", matrix_A.numpy())
print("布尔掩码:\n", mask.numpy())
print("置零后的掩码矩阵:\n", masked_matrix.numpy())

场景2：数值掩码（加权或替换元素） #

如果需要给不同位置设置不同权重（比如某些行/列需要弱化或强化），直接做元素级乘法即可：

# 创建和A形状相同的数值掩码（比如第一行权重0.5，第二行1，第三行0）
weight_mask = tf.constant([[0.5, 0.5, 0.5, 0.5],
                           [1.0, 1.0, 1.0, 1.0],
                           [0.0, 0.0, 0.0, 0.0]])

# 通过元素级乘法应用掩码
weighted_matrix = matrix_A * weight_mask

print("加权后的矩阵:\n", weighted_matrix.numpy())

额外技巧：行/列专属掩码 #

如果只想保留或屏蔽整行/整列，可以扩展掩码的维度，让它和矩阵形状匹配后广播运算：

# 只保留前2行的掩码
row_mask = tf.constant([True, True, False])
# 扩展维度以匹配矩阵的列数
row_mask_expanded = tf.expand_dims(row_mask, axis=1)
# 应用掩码
row_masked_matrix = tf.where(row_mask_expanded, matrix_A, 0.0)

print("保留前2行的矩阵:\n", row_masked_matrix.numpy())

内容的提问来源于stack exchange，提问作者Ravi Dewangan