【问题标题】：tensor dot product in keraskeras中的张量点积
【发布时间】：2019-11-26 16:02:48
【问题描述】：

我是 keras 新手，在理解 keras.layers.Dot() 层时遇到了一些问题。

我正在尝试计算两个向量的点积。

from keras.layers import Input, Dot
from keras.models import Model
import numpy as np

x1 = Input(shape=(4,))
x2 = Input(shape=(4,))
y1 = Dot(axes=1)([x1,x2])
model = Model(inputs=[x1, x2], outputs=y1)

a1 = np.arange(4)
a2=np.arange(4)
model.predict([a1,a2])

我希望输出为 14=0+1^2+2^2+3^2。但是，我收到如下错误消息：

ValueError: Error when checking input: expected input_46 to have shape (4,) but got array with shape (1,)

我尝试运行model.get_config()，下面是模型图的对应信息。如您所见，input_46 是 x1，input_47 是 x2。

{'name': 'model_19',
 'layers': [{'name': 'input_46',
   'class_name': 'InputLayer',
   'config': {'batch_input_shape': (None, 4),
    'dtype': 'float32',
    'sparse': False,
    'name': 'input_46'},
   'inbound_nodes': []},
  {'name': 'input_47',
   'class_name': 'InputLayer',
   'config': {'batch_input_shape': (None, 4),
    'dtype': 'float32',
    'sparse': False,
    'name': 'input_47'},
   'inbound_nodes': []},
  {'name': 'dot_20',
   'class_name': 'Dot',
   'config': {'name': 'dot_20',
    'trainable': True,
    'axes': 1,
    'normalize': False},
   'inbound_nodes': [[['input_46', 0, 0, {}], ['input_47', 0, 0, {}]]]}],
 'input_layers': [['input_46', 0, 0], ['input_47', 0, 0]],
 'output_layers': [['dot_20', 0, 0]]}

有什么我做错了吗？谢谢！

更新

以下代码有效：

x1 = Input(shape=(4,))
x2 = Input(shape=(4,))
y1 = Dot(axes=1)([x1,x2])
model = Model(inputs=[x1, x2], outputs=y1)
a1 = np.arange(4).reshape(1,4)
a2=np.arange(4).reshape(1,4)
model.predict([a1,a2])

或

from keras.layers import Input, Dot
from keras.models import Model
import numpy as np

x1 = Input(shape=(4,))
x2 = Input(shape=(4,))
y1 = Dot(axes=1)([x1,x2])
model = Model(inputs=[x1, x2], outputs=y1)

a1 = np.arange(4)
a2=np.arange(4)
model.predict([[a1],[a2]])

【问题讨论】：

标签： python keras tensor dot-product

【解决方案1】：

Keras 等待获取您的一批输入。如果您有 N 个维度为 4 的输入，则类似于大小为 N*4 的向量。因此，如果您想发送单个向量，则它的维度应为 1*4 而不是 4。所以你有两个选择：

改变

a1 = np.arange(4) a2=np.arange(4)

到

a1 = np.arange(1,4)
a2=np.arange(1,4)

或尝试model.predict([[a1],[a2]])。应该可以解决您的问题。

【讨论】：