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).
这是代码（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].
如果我们尝试仅使用 numpy 矩阵进行乘法，则会出现以下错误：
np.multiply(A_np, B_np)
ValueError: operands could not be broadcast together with shapes (5,2) (2,2,3)
但是，我们可以使用np.tensordot如下：
np.tensordot(np.tensordot(A_np, B_np, axes=1), C_np, axes=1)
TensorFlow中有等价的操作吗？
Answer
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)
在张量流中，我们会这样做：
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.
