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

Question

假设我有以下张量：

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

用numpy成功制作X，Y的点积，并产生形状的张量（3，201，28）。 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

知道如何使用张量流实现相同的结果吗？

Answer 1

因为，你正在与tensors ，这将是更好（性能）使用tensordot那里比np.dot 。 NumPy允许它（numpy.dot）通过降低性能来处理tensors ，而tensorflow似乎根本不允许这样做。

因此，对于NumPy，我们将使用np.tensordot

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

对于tensorflow ，它将与tf.tensordot

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

Answer 2

Tensorflow不允许像numpy一样乘以不同等级的矩阵。

为了解决这个问题，您可以调整矩阵的形状。 通过将一个矩阵“堆叠”在另一个矩阵之上，这实质上将矩阵3转换为矩阵3，然后转换为矩阵2。

您可以使用以下代码： tf.reshape(tf.matmul(tf.reshape(Aijk,[i*j,k]),Bkl),[i,j,l])

其中i，j和k是矩阵一的维数，而k和l是矩阵2的维数。

取自这里。