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據的維度。
不過新版的tensorflow已經移除了上面的函數，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運算。則結果的維度為(a, b, m, k)。
TensorFlow如何實現batch_matmul
我們知道，在tensorflow早期版本中有tf.batch_matmul()函數，可以實現多維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現在只有tf.matmul()函數可以使用，不過只能實現同維度的tensor相乘, 下面的幾種方法可以實現batch matmul的可能。
例如: tensor A(batch_size,m,n), tensor B(n,k),實現batch matmul 使得A * B。
方法1: 利用tf.matmul()
對tensor B 進行增維和擴展
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]) #先進行增維再擴展
C = tf.matmul(A, B_exp)
方法2: 利用tf.reshape()
對tensor A 進行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)
以上為個人經驗，希望能給大家一個參考，也希望大家多多支持腳本之家。
您可能感興趣的文章:- 教你使用TensorFlow2識別驗證碼
- pytorch_pretrained_bert如何將tensorflow模型轉化為pytorch模型
- Tensorflow與RNN、雙向LSTM等的踩坑記錄及解決
- tensorflow中的數據類型dtype用法說明
- tensorflow基本操作小白快速構建線性回歸和分類模型
