Question

我的情况是两个具有一定维度的矩阵的矩阵乘法在numpy中工作，但在张量流中不起作用。

x = np.ndarray(shape=(10,20,30), dtype = float)
y = np.ndarray(shape=(30,40), dtype = float)
z = np.matmul(x,y)
print("np shapes: %s x %s = %s" % (np.shape(x), np.shape(y), np.shape(z)))

这可以按预期工作并打印：

np shapes: (10, 20, 30) x (30, 40) = (10, 20, 40)

然而，在tensorflow中，当我尝试将占位符和与上面的numpy数组相同形状的变量相乘时，我得到一个错误

x = tf.placeholder(tf.float32, shape=(10,20,30))
y = tf.Variable(tf.truncated_normal([30,40], name='w'))
print("tf shapes: %s x %s" % (x.get_shape(), y.get_shape()))
tf.matmul(x,y)

结果

tf shapes: (10, 20, 30) x (30, 40)
InvalidArgumentError: 
Shape must be rank 2 but is rank 3 for 'MatMul_12' 
(op: 'MatMul') with input shapes: [10,20,30], [30,40].

为什么这个操作会失败？

Answer 1

不知道为什么tf.matmul不支持这种乘法（可能是核心开发人员之一可以提供有意义的答案）。

但是如果您只是希望能够以这种方式倍增张量，请查看tf.einsum函数。它可以与任意等级的张量一起运作。

Answer 2

正如Dmytro所建议的tf.einsum可用于将这两个数组相乘。

x = np.ndarray(shape=(10,20,30), dtype = float)
y = np.ndarray(shape=(30,40), dtype = float)

这两个操作产生完全相同的结果：

np.einsum('ijk,kl->ijl', x, y)
np.matmul(x,y)

相应的张量流操作也有效

tf.einsum('ijk,kl->ijl', tf_x,tf_y)

Answer 3

人们已经告诉过你，你可以使用tf.einsum() 来获得你想要的结果。

import tensorflow as tf
x = tf.random_normal([10, 20, 30])
y = tf.random_normal([30, 40])
z = tf.einsum('ijk,kl->ijl', x, y)

tf.matmul()无法按预期方式工作的原因写在文档中。

输入必须是矩阵（或等级> 2的张量，代表批次的矩阵，具有匹配的内部尺寸，可能在之后转置。

在您的情况下，您有一个矩阵y和一个张量x（等级3> 2）。在您的情况下，内部尺寸不匹配。如果你想要，他们匹配，你需要有这样的东西：

import tensorflow as tf
a, b, c = 12, 50, 20
x = tf.random_normal([a, b, c])
y = tf.random_normal([a, c, b])
z = tf.matmul(x, y)

但显然它不会计算你想要的东西。

矩阵乘法张量流与numpy的差异

3 个答案: