在Keras的点积层中，axes参数是用来做什么的？

Question

当我们指定axes = (2, 2)时，确切被乘的值是什么？有人能告诉我这里背后到底发生了什么吗？

match = dot([input_encoded_m, question_encoded], axes=(2, 2))
match = Activation('softmax')(match)

数据形状：

print(input_encoded_m)
print(questions_encoded)

(<tf.Tensor 'dropout_41/Identity:0' shape=(None, 552, 64) dtype=float32>,
 <tf.Tensor 'dropout_42/Identity:0' shape=(None, 5, 64) dtype=float32>)

input_encoded_m长度为552，嵌入长度为64

questions_encoded长度为5，嵌入长度为64

如果我们在点积层中指定axes = (2,2)，哪些值将被相乘？有谁能帮我解答一下吗？

- user_12

---

https://keras.io/layers/merge/#dot_1 - The Guy with The Hat

@TheGuywithTheHat 我已经看过文档了，但是还是无法理解。除此之外，它正在对这两个张量进行点积。但这里的轴（2, 2）是什么意思？我的嵌入是否被乘起来了？就是这样吗？ - user_12

Answer 1

轴指的是张量的轴。

例如，在您的情况下，您有一个形状为（None，552，64）的3D（rank 3）张量。

标量（例如3）是0D张量。

向量（[1,2,3]）是1D张量：

矩阵（[         是2D张量。以此类推。

       [1,2],
       [2,3],
        ]

第一轴（轴0）是唯一的一个没有行或列数的轴。

第二轴（轴1）是其中一个拥有522行的轴。

第三轴（轴2）是其中一个拥有64列的轴。

a = Input(batch_shape=(None,255,64))
b = Input(batch_shape=(None,5,64))
out = dot([a,b], axes =(2,2))
out.shape
TensorShape([Dimension(None), Dimension(255), Dimension(5)])

基本上，a.b = a1.b1 + a2.b2 +.... + a64.b64会得到一个标量。 由于您有5行，因此在张量的最后一轴中将具有5维向量。（向量维度不同于张量维度）

- Eliethesaiyan

---

因此，点积是在嵌入上完成的，即64 * 64。在这种情况下，结果形状将是什么？ - user_12

理论上应该是 (None, 255,5)，我更新了我的回答。 - Eliethesaiyan