Tensorflow，如何将2D张量（矩阵）乘以1D向量中的对应元素

Question

我有一个形状M的二维矩阵[batch x dim]，我有一个形状V的向量[batch]。如何将矩阵中的每个列乘以V中的相应元素？那就是：

我知道一个低效的numpy实现看起来像这样：

import numpy as np
M = np.random.uniform(size=(4, 10))
V = np.random.randint(4)
def tst(M, V):
  rows = []
  for i in range(len(M)):
    col = []
    for j in range(len(M[i])):
      col.append(M[i][j] * V[i])
    rows.append(col)
  return np.array(rows)

在tensorflow中，给定两个张量，实现这个目标的最有效方法是什么？

import tensorflow as tf
sess = tf.InteractiveSession()
M = tf.constant(np.random.normal(size=(4,10)), dtype=tf.float32)
V = tf.constant([1,2,3,4], dtype=tf.float32)

Answer 1

在NumPy中，我们需要制作V 2D，然后让广播进行逐元素乘法（即Hadamard乘积）。我猜，tensorflow上应该是一样的。因此，为了在tensorflow上展开变暗，我们可以使用tf.newaxis（在较新版本上）或tf.expand_dims或重塑tf.reshape -

tf.multiply(M, V[:,tf.newaxis])
tf.multiply(M, tf.expand_dims(V,1))
tf.multiply(M, tf.reshape(V, (-1, 1)))

Answer 2

除了@Divakar的回答之外，我还要注意M和V的顺序并不重要。似乎tf.multiply也broadcasting during multiplication。

示例：

In [55]: M.eval()
Out[55]: 
array([[1, 2, 3, 4],
       [2, 3, 4, 5],
       [3, 4, 5, 6]], dtype=int32)

In [56]: V.eval()
Out[56]: array([10, 20, 30], dtype=int32)

In [57]: tf.multiply(M, V[:,tf.newaxis]).eval()
Out[57]: 
array([[ 10,  20,  30,  40],
       [ 40,  60,  80, 100],
       [ 90, 120, 150, 180]], dtype=int32)

In [58]: tf.multiply(V[:, tf.newaxis], M).eval()
Out[58]: 
array([[ 10,  20,  30,  40],
       [ 40,  60,  80, 100],
       [ 90, 120, 150, 180]], dtype=int32)