我一直在努力解决一个问题。它与tf.matmul()广播有关，并且没有广播。
我在https://github.com/tensorflow/tensorflow/issues/216上发现了类似的问题，但是tf.batch_matmul()对于我的情况而言，这似乎并不是一个解决方案。
我需要将输入数据编码为4D张量：X = tf.placeholder(tf.float32, shape=(None, None, None, 100))第一个维度是批处理的大小，第二个维度是批处理中的条目数。您可以将每个条目想象成由许多对象（三维）组成。最后，每个对象由100个浮点值的向量描述。
请注意，我在第二和第三个维度中使用了“无”，因为实际尺寸可能会在每批中发生变化。但是，为简单起见，让我们用实际数字塑造张量：X = tf.placeholder(tf.float32, shape=(5, 10, 4, 100))
这些是我计算的步骤：
计算100个浮点值的每个向量的函数（例如，线性函数）W = tf.Variable(tf.truncated_normal([100, 50], stddev=0.1)) Y = tf.matmul(X, W) 问题：tf.matmul()使用tf.batch_matmul()Y的预期形状进行广播或成功：（5，10，4，50）
对批次的每个条目（在每个条目的对象上）应用平均池：Y_avg = tf.reduce_mean(Y, 2)Y_avg的预期形状：（5，10，50）
我希望那tf.matmul()会支持广播。然后我发现tf.batch_matmul()，但看起来仍然不适用于我的情况（例如W需要至少具有3个维度，不清楚原因）。
顺便说一句，上面我使用了一个简单的线性函数（其权重存储在W中）。但是在我的模型中，我有一个深层的网络。因此，我遇到的更普遍的问题是为张量的每个切片自动计算一个函数。这就是为什么我希望那tf.matmul()会产生广播行为（如果是这样，也许tf.batch_matmul()甚至没有必要）。
期待您的学习！亚历西奥
您可以通过重塑X为shape来实现这一点[n, d]，其中d，单个计算“实例”的维数（在您的示例中n为100），在多维对象中为这些实例的数量（5*10*4=200在您的示例中）。重塑后，您可以使用tf.matmul然后重塑回所需的形状。前三个尺寸可以变化，这一点有点棘手，但是您可以tf.shape用来确定运行时的实际形状。最后，您可以执行计算的第二步，tf.reduce_mean在相应的维度上应该很简单。总而言之，它看起来像这样：
X = tf.placeholder(tf.float32, shape=(None, None, None, 100))
W = tf.Variable(tf.truncated_normal([100, 50], stddev=0.1))
X_ = tf.reshape(X, [-1, 100])
Y_ = tf.matmul(X_, W)
X_shape = tf.gather(tf.shape(X), [0,1,2]) # Extract the first three dimensions
target_shape = tf.concat(0, [X_shape, [50]])
Y = tf.reshape(Y_, target_shape)
Y_avg = tf.reduce_mean(Y, 2)
本文收集自互联网，转载请注明来源。
如有侵权，请联系[email protected] 删除。
我来说两句