广播 np.dot 与 tf.matmul 进行张量矩阵乘法（形状必须为 2 级，但为 3 级错误）答案

【问题标题】：Broadcasting np.dot vs tf.matmul for tensor-matrix multiplication (Shape must be rank 2 but is rank 3 error)广播 np.dot 与 tf.matmul 进行张量矩阵乘法（形状必须为 2 级，但为 3 级错误）
【发布时间】：2018-06-06 17:57:43
【问题描述】：

假设我有以下张量：

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

用 numpy 对 X、Y 进行点积是成功的，并产生一个形状为 (3, 201, 28) 的张量。但是使用 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

知道如何使用 tensorflow 实现相同的结果吗？

【问题讨论】：

标签： python numpy tensorflow matrix-multiplication tensor

【解决方案1】：

Tensorflow 不允许像 numpy 那样将具有不同等级的矩阵相乘。

为了解决这个问题，您可以重塑矩阵。这本质上是一个矩阵，比如说，通过将矩阵“堆叠”一个在另一个之上，将排名 3 与排名 2 排名第一。

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。

【讨论】：

【解决方案2】：

由于您正在使用tensors，因此使用tensordot 会比np.dot 更好（为了性能）。 NumPy 允许它（numpy.dot）通过降低性能在 tensors 上工作，而 tensorflow 似乎根本不允许它。

因此，对于 NumPy，我们将使用 np.tensordot -

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

对于tensorflow，应该是tf.tensordot -

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