Question

我希望我不会在这里遗漏任何明显的东西，但是我对inter-webs进行了无济于事的搜索，最后来这里提问...
这是我想要做的一个非常简单的描述：
假设我有一个形状为(20, 40, 3, 5)的张量，和另一个形状为(20, 40, 5, 7)的张量。前两个尺寸大小应保持不变，并且对于两个张量目的是相同的。另一方面， last 的两个维度是（矩阵）乘以matmul样式。意味着我得到的张量将为(20, 40, 3, 7)。怎么办？
我意识到从理论上讲我可以循环使用前两个维度并直接使用tf.matmul()，但是由于运行时，效率，模型训练器和GPU在全球范围内的抗议以及我的良心，这绝对是不可行的任何重量:-)。

不幸的是，我将以下选项忽略为“不是我所需要的”：
tf.tensordot将为我提供形状为(20, 40, 3, 20, 40, 7)的输出。不好
tf.scan仅在我正确阅读的情况下才对第一个维度有利（也许适合RNN？无论如何都不适合我的情况）。
tf.matmul适用于等级大于等于2的张量，但在最后一个维度和第一个维度上的作用类似于@。再说一次，不是我的情况。

再说一遍-如何做到？
一个numpy的答案可以帮助我朝正确的方向发展也将非常有帮助，但最终我需要一个tf的实现。

在此先感谢您，如果我错过了一些愚蠢的东西，我们深表歉意。

以下内容更接近我的需求，但不清楚，因此需要单独编写：
前两个维度是图像的空间维度。最后两个实际上是通过tf.contrib.distributions.fill_triangular获得的平方矩阵，并且将它们相乘（以及在其中一个矩阵上进行适当的转置），以获得与每个空间坐标关联的协方差矩阵。我不知道这是否有任何帮助，但至少会提供一些背景信息。此外，可能也可能没有批处理维，但是我假设求解4-D张量情况将具有足够的通用性。

Answer 1

将其发布以供将来参考：
来自numpy matmul文档：

如果任一自变量为N-D，N> 2，则将其视为一组矩阵驻留在最后两个索引中，并进行相应广播。

对于维度>2，它将把它视为一堆矩阵，尝试尝试matmul的最后2个维度，因此需要np array作为OP。
例如：

import numpy as np

A = np.ones((1,2,1,2))
B = np.ones((1,2,2,1))

print(A.shape)
print(B.shape)
print(np.matmul(A,B).shape)

结果：

(1, 2, 1, 2)
(1, 2, 2, 1)
(1, 2, 1, 1)

张量流（或numpy）中特定维度的矩阵乘法

1 个答案: