代码：
x = tf.constant([1.,2.,3.], shape = (3,2,4))
y = tf.constant([1.,2.,3.], shape = (3,21,4))
tf.matmul(x,y) # Doesn't work.
tf.matmul(x,y,transpose_b = True) # This works. Shape is (3,2,21)
tf.matmul(x,tf.transpose(y)) # Doesn't work.
我想知道y内部tf.matmul(x,y,transpose_b = True)的形状是什么，所以我可以注意LSTM内部的实际情况。
答案 0 :(得分：1)
对于等级＆gt;的张量，可以不同地定义转置。 2，这里的差异在于由tf.matmul(..., transpose_b=True)和i转置的轴。
默认情况下，tf.transpose执行此操作：
返回的张量维
perm[i]将对应于输入维(n-1...0)。如果没有给出perm，则将其设置为y，其中n是输入张量的等级。因此，默认情况下，此操作在二维输入张量上执行常规矩阵转置。
因此，在您的情况下，它会将(4, 21, 3)转换为形状x，其中与perm=[0, 2, 1]不兼容（见下文）。
但如果您设置# Works! (3, 2, 4) * (3, 4, 21) -> (3, 2, 21).
tf.matmul(x, tf.transpose(y, [0, 2, 1]))
，则结果兼容：
tf.matmul(a, b, c) * (a, c, d) -> (a, b, d) 您可以计算点积：a。但它不是张量点产品 - 它是批量操作（参见this question）。
在这种情况下，tf.matmul被视为批量大小，因此a计算矩阵(b, c) * (c, d)的{{1}}点积。
批次可以是多个维度，因此这也是有效的：
(a, b, c, d) * (a, b, d, e) -> (a, b, c, e)