广播np.dot vs tf.matmul用于张量矩阵乘法（形状必须是等级2但是等级3错误）

Question

假设我有以下张量：

X = np.zeros((3,201, 340))
Y = np.zeros((340, 28))

制作X，Y的点积是成功的numpy，并产生一个张量的形状（3,201,28）。但是对于tensorflow，我得到以下错误：Shape must be rank 2 but is rank 3 error ...

最小代码示例：

X = np.zeros((3,201, 340))
Y = np.zeros((340, 28))
print(np.dot(X,Y).shape) # successful (3, 201, 28)
tf.matmul(X, Y) # errornous

知道如何用tensorflow实现相同的结果吗？

Answer 1

既然，你正在使用tensors，那么使用tensordot比使用np.dot更好（性能）。 NumPy允许它（numpy.dot）通过降低性能在tensors上工作，似乎tensorflow根本不允许它。

所以，对于NumPy，我们会使用np.tensordot -

np.tensordot(X, Y, axes=((2,),(0,)))

对于tensorflow，它将与tf.tensordot -

tf.tensordot(X, Y, axes=((2,),(0,)))

Related post to understand tensordot。

Answer 2

Tensorflow不允许像numpy那样乘以具有不同等级的矩阵。

为了解决这个问题，您可以重塑矩阵。这基本上通过“将矩阵堆叠”一个在另一个之上来投射具有等级2的等级3到1的矩阵。

你可以使用这个：tf.reshape(tf.matmul(tf.reshape(Aijk,[i*j,k]),Bkl),[i,j,l])

其中i，j和k是矩阵1的维数，k和l是矩阵2的维数。

取自here。