tensorflow定义了很多张量的基本运算，由于张量的特殊属性，其运算操作主要有两类，一类是基于行列式/线性代数的，一类是对elemental-wise的运算。最常用的有：
求和：tf.add
乘法：tf.matmul,
求逆运算：tf.linalg.inv
基于线性代数的运算大多数都在tf.linalg模块中定义。https://tensorflow.google.cn/api_docs/python/tf/linalg
tensorflow 的线性代数模块提供了非常丰富的函数可供调用。除了基本的线性代数行列式运算，例如:
伴随矩阵（tf.linalg.adjoint）
行列式的值（tf.linalg.det）
转化为对角阵（tf.linalg.diag）
求解特征值和特征向量（tf.linalg.eigh )
行列式求逆（tf.linalg.inv）
矩阵乘法（tf.linalg.matmul）
矩阵转置（tf.linalg.matrix_transpose）
QR分解（tf.linalg.qr）
SVD奇异值分解（tf.linalg.svd）
LU分解（tf.linalg.lu）
行列式的迹（tf.linalg.trace）
还有高级一些的矩阵分析中函数，例如伴随矩阵，循环矩阵等等。
class LinearOperator: Base class defining a [batch of] linear operator[s].
class LinearOperatorAdjoint: LinearOperator representing the adjoint of another operator. 伴随矩阵
class LinearOperatorBlockDiag: Combines one or more LinearOperators in to a Block Diagonal matrix. 分块对角阵
class LinearOperatorCirculant: LinearOperator acting like a circulant matrix. 循环矩阵
class LinearOperatorCirculant2D: LinearOperator acting like a block circulant matrix. 分块循环矩阵
class LinearOperatorCirculant3D: LinearOperator acting like a nested block circulant matrix. 内嵌分块循环矩阵
class LinearOperatorComposition: Composes one or more LinearOperators. 可以实现一些用户自定义的行列式操作
class LinearOperatorDiag: LinearOperator acting like a [batch] square diagonal matrix. 求batch的对角方阵
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乘积
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.
在math模块，集中了常用的代数运算函数，例如
求绝对值( tf.math.abs )
对给定的tensor列表中所有tensor的元素做element-wise的累加和（tf.accumulate_n）
三角函数（tf.math.sin, tf.math.cos, tf.math.tan）
反三角函数（tf.math.acos, tf.math.asin, tf.math.atan）
双曲函数（tf.math.sinh, tf.math.cosh, tf.math.tanh）
反双曲余弦函数（tf.math.asinh, tf.math.acosh）
Bessel样条拟合（tf.math.bassel_i0, tf.bassel_i0e, tf.math.bessel_i1, tf.math.bassel_i1e）
取整（tf.math.ceil, tf.math.floor）
沿某个维度进行的运算（tf.math.reduce_any, tf.math.reduce_std, tf.math.reduce.mean, …）
也有一些深度学习相关的函数，例如：
混淆矩阵（tf.math.confusion_matrix）
张量某段数据的运算（tf.math.segment_* ）
对tensor的指定的一段数据进行的操作。有segment_max, segment_mean, segment_min, segment_prod, segment_sum。以segment_max为例，这里直接用tensorflow API文档中的一个例子。
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)>
函数内部用给定的segment_id, 依次计算了labe是0， 1，2，3的片段中数据的最大值，计算过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)
这里略有一些费解。实际上，这里的segment_id将tensor分为了两个片段，[[1,2,3,4] [4,3,2,1]] 为一组, [5,6,7,8]为一组。之后在比较每个“列”上的最大值，形象地画图为
补充阅读：
循环行列式：https://www.cnblogs.com/torsor/p/8848641.html