首页 文章

在Tensorflow中将秩3张量乘以秩2张量

提问于
浏览 次
4

鉴于等级3张量：

sentence_max_length = 5
batch_size = 3
n_hidden = 10
n_classes = 2
x = tf.constant(np.reshape(np.arange(150),(batch_size,sentence_max_length, n_hidden)), dtype = tf.float32)

并且等级2张量：

W = tf.constant(np.reshape(np.arange(20), (n_hidden, n_classes)), dtype = tf.float32)

并且排名1偏差张量：

b = tf.constant(np.reshape(np.arange(5), (n_classes), dtype = tf.float32))

我想知道 W 的最后两个轴是如何产生的，所以得到的矢量 Z 将是形状 (batch_size, max_length, n_classes) 尽管在图形创建过程中不会知道batch_size我在这里为了演示目的而给它一个值

所以澄清一下：

Z[0] = tf.matmul(x[0,:,:], W) + b

这样所有批次共享 W 和 b . 这样做的原因是我试图使用 tf.dynamic_rnn 的 tf.dynamic_rnn ，其中输出的形状为 (batch_size, sentence_max_length, n_hidden) ，并在 output 上构建另一层，其共享权重 W 和 b .

tensorflow

1 回答

  • 1

    一种方法可能是......

    import tensorflow as tf
import numpy as np
from tensorflow.python.layers.core import Dense

sentence_max_length = 5
batch_size = 3
n_hidden = 10
n_classes = 2
x = tf.constant(np.reshape(np.arange(150),(batch_size,sentence_max_length, n_hidden)), dtype = tf.float32)

linear_layer = Dense(n_classes, use_bias=True) #required projection value
z = linear_layer(x)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    res = sess.run(z)

res.shape
(3, 5, 2)

    在内部，Dense层创建可训练的W＆b变量 . 并且，它使用standard_ops.tensordot操作将最后一个维度转换为预计值 . 有关更多详细信息，请参阅此处的源代码 . https://github.com/tensorflow/tensorflow/blob/r1.2/tensorflow/python/layers/core.py

    回复于

相关问题