tf.tensordot运算(转)

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/u013337743/article/details/98903601

 

函数原型：tf.tensordot(a, b, axes)
tensordot函数用来进行矩阵相乘，它的一个好处是：当a和b的维度不同时，也可以相乘。

举例：

1.

import tensorflow as tf
a = tf.ones(shape=[2,3,3])
b = tf.ones(shape=[3,2,6])
c = tf.tensordot(a,b, axes=1)
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    #print(sess.run(c))
    print(sess.run(tf.shape(c)))

c的形状为[2,3,2,6],这里axes=1，说明取a的后1维即[3]和b的前1维即[3]进行矩阵相乘，其他维不变，那么根据矩阵乘法，自然得到c的大小为[2,3,2,6]

2.

import tensorflow as tf
a = tf.ones(shape=[2,2,3])
b = tf.ones(shape=[3,2,6])
c = tf.tensordot(a,b, axes=2)
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    #print(sess.run(c))
    print(sess.run(tf.shape(c)))

这里c的大小为[2,6],axes=2，即取a的后两维相乘后得到的2*3=6，与b的前两维相乘后得到的3*2=6，进行矩阵相乘运算，即大小为[2,6]的矩阵与大小为[6,6]的矩阵进行矩阵相乘运算，得到的c的大小即为[2,6]。如果a的后两维相乘不等于b的前两维相乘，比如a为[2,2,3],b为[3,3,6]，则会报错。

3.

import tensorflow as tf
a = tf.ones(shape=[2,2,3])
b = tf.ones(shape=[3,2,6])
c = tf.tensordot(a,b, axes=(1,1))
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    #print(sess.run(c))
    print(sess.run(tf.shape(c)))

如果axes参数是一个元组，则元组的第一维指第一个乘数a要做运算的下标，第二维指第二个乘数要做运算的下标。这里axes=(1,1),也就是说a的第1维与b的第一维进行矩阵相乘。相当于[2,3,2]*[2,3,6],结果c即为[2,3,3,6]。

4.

import tensorflow as tf
a = tf.ones(shape=[2,2,3])
b = tf.ones(shape=[3,2,6])
c = tf.tensordot(a,b, axes=((1,2),(0,1)))
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    #print(sess.run(c))
    print(sess.run(tf.shape(c)))

• axes同样是元组，这里表明a的第1，2维和b的第0，1维进行矩阵乘法。即[2,2*3] * [3*2,6]= [2,6] * [6,6] = [2,6],c的大小即为[2,6]