Question

首先我在这里找到另一个问题No broadcasting for tf.matmul in TensorFlow
但这个问题并没有解决我的问题。

我的问题是一批矩阵乘以另一批矢量。

x=tf.placeholder(tf.float32,shape=[10,1000,3,4])
y=tf.placeholder(tf.float32,shape=[1000,4])

x是一批矩阵。有10 * 1000个矩阵。每个矩阵都是形状的[3,4]
y是一批向量。有1000个向量。每个向量都是形状[4]
x的暗淡1和y的暗淡0是相同的。（这里是1000）
如果tf.matmul支持广播，我可以写

y=tf.reshape(y,[1,1000,4,1])
result=tf.matmul(x,y)
result=tf.reshape(result,[10,1000,3])

但是tf.matmul不支持广播如果我使用上面引用的问题的方法

x=tf.reshape(x,[10*1000*3,4])
y=tf.transpose(y,perm=[1,0]) #[4,1000]
result=tf.matmul(x,y)
result=tf.reshape(result,[10,1000,3,1000])

结果是形状[10,1000,3,1000]，而不是[10,1000,3] 我不知道如何删除多余的1000
如何获得与支持广播的tf.matmul相同的结果？

Answer 1

我自己解决了。

x=tf.transpose(x,perm=[1,0,2,3]) #[1000,10,3,4]
x=tf.reshape(x,[1000,30,4])
y=tf.reshape(y,[1000,4,1])
result=tf.matmul(x,y) #[1000,30,1]
result=tf.reshape(result,[1000,10,3])
result=tf.transpose(result,perm=[1,0,2]) #[10,1000,3]

Answer 2

如上所示here，您可以使用函数解决：

def broadcast_matmul(A, B):
  "Compute A @ B, broadcasting over the first `N-2` ranks"
  with tf.variable_scope("broadcast_matmul"):
    return tf.reduce_sum(A[..., tf.newaxis] * B[..., tf.newaxis, :, :],
                         axis=-2)

没有为4D 3D张量的张量流中的tf.matmul广播

2 个答案: