TensorFlow中tf.batch_matmul()用法

如果有兩個三階張量，size分別為

a.shape = [100, 3, 4]
b.shape = [100, 4, 5]
c = tf.batch_matmul(a, b)

則c.shape = [100, 3, 5] //將每一對 3x4 的矩陣與 4x5 的矩陣分別相乘。batch_size不變

100為張量的batch_size。剩下的兩個維度為數(shù)據(jù)的維度。

不過新版的tensorflow已經(jīng)移除了上面的函數(shù)，使用時換為tf.matmul就可以了。與上面注釋的方式是同樣的。

附： 如果是更高維度。例如(a, b, m, n) 與(a, b, n, k)之間做matmul運(yùn)算。則結(jié)果的維度為(a, b, m, k)。

TensorFlow如何實(shí)現(xiàn)batch_matmul

我們知道，在tensorflow早期版本中有tf.batch_matmul()函數(shù)，可以實(shí)現(xiàn)多維tensor和低維tensor的直接相乘，這在使用過程中非常便捷。

但是最新版本的tensorflow現(xiàn)在只有tf.matmul()函數(shù)可以使用，不過只能實(shí)現(xiàn)同維度的tensor相乘, 下面的幾種方法可以實(shí)現(xiàn)batch matmul的可能。

例如: tensor A(batch_size,m,n), tensor B(n,k),實(shí)現(xiàn)batch matmul 使得A * B。

方法1: 利用tf.matmul()

對tensor B 進(jìn)行增維和擴(kuò)展

A = tf.Variable(tf.random_normal(shape=(batch_size, 2, 3)))
B = tf.Variable(tf.random_normal(shape=(3, 5)))
B_exp = tf.tile(tf.expand_dims(B,0),[batch_size, 1, 1]) #先進(jìn)行增維再擴(kuò)展
C = tf.matmul(A, B_exp)

方法2: 利用tf.reshape()

對tensor A 進(jìn)行reshape操作，然后利用tf.matmul()

A = tf.Variable(tf.random_normal(shape=(batch_size, 2, 3)))
B = tf.Variable(tf.random_normal(shape=(3, 5)))
A = tf.reshape(A, [-1, 3])
C = tf.reshape(tf.matmul(A, B), [-1, 2, 5])

方法3: 利用tf.scan()

利用tf.scan() 對tensor按第0維進(jìn)行展開的特性

A = tf.Variable(tf.random_normal(shape=(batch_size, 2, 3)))
B = tf.Variable(tf.random_normal(shape=(3, 5)))
initializer = tf.Variable(tf.random_normal(shape=(2,5)))
C = tf.scan(lambda a,x: tf.matmul(x, B), A, initializer)

方法4: 利用tf.einsum()

A = tf.Variable(tf.random_normal(shape=(batch_size, 2, 3)))
B = tf.Variable(tf.random_normal(shape=(3, 5)))
C = tf.einsum('ijk,kl->ijl',A,B)

以上為個人經(jīng)驗(yàn)，希望能給大家一個參考，也希望大家多多支持腳本之家。