考虑我有一组向量 A ，我想将 A 中的每个向量与张量 T 相乘，最终得到一个张量 y ，其中每个切片矩阵是 A 与 T 的向量 v 的乘法结果：
如果 X 只包含一个向量，则以下代码有效（感谢matmul function for vector with tensor multiplication in tensorflow中的答案）：
tf.reduce_sum(tf.expand_dims(v,2)*T,1)
但如果 X 由几个向量组成，乘法代码怎么样？
例如，我有 A （带有 2 向量）和 T 的以下值：
A = tf.constant([1,2,3,4], shape=[2,2], dtype=tf.float32) #v1 =[1,2], v2=[3,4]
T = tf.constant([1,2,3,4,5,6,7,8], shape=[2,2,2], dtype=tf.float32)
我希望通过将 A 乘以 T 得到以下输出：
[[[ 7. 10.]
[19. 22.]]
[[15. 22.]
[43. 50.]]]
这个问题的一个应用就是线性回归 y = AX +b 中的批量梯度下降，其中我有一组向量但是我没有训练一个权重矩阵 X ，我想训练一个张量 T ，所以输出 y 将是一个张量张量中的每个矩阵是输入向量乘以 T 的输出 .
注意，通常当我们将维度 1*n 的向量 v 与维度 m*n*k 的张量 T 相乘时，我们期望得到维度 m*k/m*1*k 的矩阵/张量 . 这意味着我们的张量具有维数 n*k 的矩阵切片，并且 v 乘以每个矩阵并且所得到的矢量堆叠在一起 .
1 回答
试试tf.tensordot：
要么，
eval'这给了