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?
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,)))
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。