Numpy 如何在tensorflow中有效地交换张量轴？

我必须使用

tf.transpose

交换张量轴，以执行批量矩阵乘法（如下所示代码）

张量输入_a:shape[10000，10000]

张量输入：形状[批量大小，10000，10]

# reshape_input_b: shape [10000, batch_size, 10]
transpose_input_b = tf.transpose(input_b, [1, 0, 2])

# transpose_input_b : shape [10000, batch_size * 10]
reshape_input_b = tf.reshape(transpose_input_b , [10000, -1])

# ret: shape [10000, batch_size * 10]
ret = tf.matmul(input_a, reshape_input_b, a_is_sparse = True)

# reshape_ret: [10000, batch_size, 10]
reshape_ret = tf.reshape(ret, [10000, -1, 10])

# output : [batch_size, 10000, 10]
output = tf.transpose(reshape_ret, [1, 0, 2])

张量输出：形状[批量大小，10000，10]

# reshape_input_b: shape [10000, batch_size, 10]
transpose_input_b = tf.transpose(input_b, [1, 0, 2])

# transpose_input_b : shape [10000, batch_size * 10]
reshape_input_b = tf.reshape(transpose_input_b , [10000, -1])

# ret: shape [10000, batch_size * 10]
ret = tf.matmul(input_a, reshape_input_b, a_is_sparse = True)

# reshape_ret: [10000, batch_size, 10]
reshape_ret = tf.reshape(ret, [10000, -1, 10])

# output : [batch_size, 10000, 10]
output = tf.transpose(reshape_ret, [1, 0, 2])

然而，它似乎很慢。我在

tf.transpose

的文档页面上注意到了这一点：

在numpy中，转置是内存效率较高的恒定时间操作，因为它们只是以调整的步幅返回相同数据的新视图

TensorFlow不支持跨步，所以transpose返回一个新的张量，其中的项被排列

---

所以，我认为这可能是我的代码运行缓慢的原因？有没有办法交换tensor的轴，或者有效地进行批量矩阵乘法？

为什么您可以比

tensorflow

提供的

transpose

做得更好

numpy

transpose/swap是有效的，因为它只需要改变形状和步幅，不需要复制数据-这是在整形或其他计算需要连续数据之前。@hpaulj那么，有什么方法可以像上面的代码一样进行矩阵乘法，但不使用

tf.transpose

？我需要将两个具有不同秩的矩阵相乘，可能不需要进行转置或轴交换。

np.einsum

可以混合和匹配维度，但我不知道tensorflow是否有此功能。@hpaulj谢谢，tensorflow有

tf.einsum

，我会试试。@Ficush:请确认使用

tf.einsum

是否解决了您的问题。谢谢