Tensorflow中的张量乘法

Question

我正在尝试在NumPy/Tensorflow中进行张量乘法。

我有3个张量- A (M X h), B (h X N X s), C (s X T)。

我相信A X B X C应该产生一个张量D (M X N X T)。

以下是代码（同时使用numpy和tensorflow）。

M = 5
N = 2
T = 3
h = 2
s = 3
A_np = np.random.randn(M, h)
C_np = np.random.randn(s, T)
B_np = np.random.randn(h, N, s)

A_tf = tf.Variable(A_np)
C_tf = tf.Variable(C_np)
B_tf = tf.Variable(B_np)

# Tensorflow
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print sess.run(A_tf)
    p = tf.matmul(A_tf, B_tf)
    sess.run(p)

这将返回以下错误：

ValueError: Shape must be rank 2 but is rank 3 for 'MatMul_2' (op: 'MatMul') with input shapes: [5,2], [2,2,3].

如果我们只使用NumPy矩阵进行乘法运算，就会出现以下错误：

np.multiply(A_np, B_np)

ValueError: operands could not be broadcast together with shapes (5,2) (2,2,3)

然而，我们可以使用np.tensordot来实现：

np.tensordot(np.tensordot(A_np, B_np, axes=1), C_np, axes=1)

TensorFlow中是否有相应的操作？

答案

在numpy中，我们会这样做：

ABC_np = np.tensordot(np.tensordot(A_np, B_np, axes=1), C_np, axes=1)

在TensorFlow中，我们会按照以下方式进行：

AB_tf = tf.tensordot(A_tf, B_tf,axes = [[1], [0]])
AB_tf_C_tf = tf.tensordot(AB_tf, C_tf, axes=[[2], [0]])

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    ABC_tf = sess.run(AB_tf_C_tf)

np.allclose(ABC_np, ABC_tf) return True.

- Nipun Batra

Answer 1

尝试

tf.tensordot(A_tf, B_tf,axes = [[1], [0]])

例如：

x=tf.tensordot(A_tf, B_tf,axes = [[1], [0]])
x.get_shape()
TensorShape([Dimension(5), Dimension(2), Dimension(3)])

这里是tensordot文档，这里是相关的github存储库。

- Miriam Farber