使用 Tensorflow 执行 matmul 时出现 ValueError

Question

我是 TensorFlow 的初学者，我正在尝试将两个矩阵相乘，但我不断收到异常消息：

ValueError: Shapes TensorShape([Dimension(2)]) and TensorShape([Dimension(None), Dimension(None)]) must have the same rank

这是最小的示例代码：

data = np.array([0.1, 0.2])
x = tf.placeholder("float", shape=[2])
T1 = tf.Variable(tf.ones([2,2]))
l1 = tf.matmul(T1, x)
init = tf.initialize_all_variables()

with tf.Session() as sess:
    sess.run(init)
    sess.run(feed_dict={x: data}

令人困惑的是，以下非常相似的代码可以正常工作：

data = np.array([0.1, 0.2])
x = tf.placeholder("float", shape=[2])
T1 = tf.Variable(tf.ones([2,2]))
init = tf.initialize_all_variables()

with tf.Session() as sess:
    sess.run(init)
    sess.run(T1*x, feed_dict={x: data}

谁能指出问题所在？我必须在这里遗漏一些明显的东西..

Answer 1

tf.matmul() 操作要求其两个输入都是矩阵（即二维张量）^*，并且不执行任何自动转换。您的 T1 变量是一个矩阵，但您的 x 占位符是一个长度为 2 的向量（即一维张量），这是错误的根源。

相比之下，* 运算符（tf.multiply() 的别名）是一个广播元素乘法。它将按照NumPy broadcasting rules 将向量参数转换为矩阵。

要使矩阵乘法起作用，您可以要求 x 是一个矩阵：

data = np.array([[0.1], [0.2]])
x = tf.placeholder(tf.float32, shape=[2, 1])
T1 = tf.Variable(tf.ones([2, 2]))
l1 = tf.matmul(T1, x)
init = tf.initialize_all_variables()

with tf.Session() as sess:
    sess.run(init)
    sess.run(l1, feed_dict={x: data})

...或者您可以使用tf.expand_dims() 操作将向量转换为矩阵：

data = np.array([0.1, 0.2])
x = tf.placeholder(tf.float32, shape=[2])
T1 = tf.Variable(tf.ones([2, 2]))
l1 = tf.matmul(T1, tf.expand_dims(x, 1))
init = tf.initialize_all_variables()

with tf.Session() as sess:
    # ...

^* 最初我发布答案时确实如此，但现在tf.matmul() 也支持批量矩阵乘法。这要求两个参数都具有至少 2 个维度。详情请见the documentation。