张量流中众多矩阵与向量的相乘以及所得向量的求和_python

我正在尝试将一组向量与相应的矩阵相乘，并想在最后对所得的向量求和。 作为一个小例子，假设我们有20个向量和矩阵，大小分别为10x1和150x1：

import numpy as np
np_b=[ np.random.rand(10) for i in range(20)]
np_A=[ np.random.rand(150,10) for i in range(20)]
#first we multiply each vector with it's corresponding matrix
np_allMuls=np.array([np.dot(np_A[i],np_b[i]) for i in range(20)] ) 
#then we sum all of the vectors to get the 150 dimensional sum vector
np_allSum=np.sum( np_allMuls,axis=0 )

到目前为止，使用tensorflow 0.10我得到了：

import tensorflow as tf
tf_b = tf.placeholder("float", [None,10])
tf_A= tf.placeholder("float", [None,150,10])
#the following gives me ValueError: Shape (?, 150, 10) must have rank 2
tf_allMuls=tf.matmul(tf_A,tf_b)

但是，这种符号乘法给我带来了错误“ ValueError：Shape（？，150，10）必须具有等级2”。

有谁知道为什么我会收到这样的错误消息？ 如何正确获取tf_allMuls？

从的文档中：

输入必须是矩阵（或等级大于2的张量，表示矩阵的批次），并且可能在转置后具有匹配的内部尺寸。

考虑到您使用None作为占位符的第一个参数，因此第二个选项与您相关，即“矩阵批”。 但是您的tf_b是一批向量，而不是矩阵，因此这两个矩阵的秩不同，这就是为什么会出现错误的原因。 您应该改用：

tf_b = tf.placeholder("float", [None, 10, 1])
tf_A = tf.placeholder("float", [None, 150, 10])
tf_allMuls = tf.matmul(tf_A, tf_b)

因此，似乎matmul无法广播（可以查看此），我同意您收到的错误消息有点误导。

这是一个简单的示例：

tf_b = tf.placeholder("float", [None, 3, 1])
tf_A = tf.placeholder("float", [None, 3, 3])
tf_allMuls = tf.matmul(tf_A, tf_b)

with tf.Session() as sess:
    b = np.array([1, 2, 3])[np.newaxis, :, np.newaxis]
    A = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])[np.newaxis, ...]
    muls = sess.run(tf_allMuls, feed_dict={tf_b: b, tf_A: A})
    print muls

哪个打印

[[[ 14.]
  [ 32.]
  [ 50.]]]

还要注意， tf.matmul的参数顺序tf.matmul重要，就像您习惯了实际的矩阵乘法一样。 所以虽然这

tf_b = tf.placeholder("float", [None, 1, 3])
tf_A = tf.placeholder("float", [None, 3, 3])
tf_allMuls = tf.matmul(tf_A, tf_b)

不起作用，以下内容将（当然，它不是在计算相同的东西，但是不会引发错误）：

tf_b = tf.placeholder("float", [None, 1, 3])
tf_A = tf.placeholder("float", [None, 3, 3])
tf_allMuls = tf.matmul(tf_b, tf_A)

张量流中众多矩阵与向量的相乘以及所得向量的求和

问题描述

1楼