Python 在keras中，轴参数在点层中起什么作用？

当我们指定轴=（2，2）时，哪些值正好被乘以？有人能告诉我幕后到底发生了什么吗

match = dot([input_encoded_m, question_encoded], axes=(2, 2))
match = Activation('softmax')(match)

数据形状：

print(input_encoded_m)
print(questions_encoded)

(<tf.Tensor 'dropout_41/Identity:0' shape=(None, 552, 64) dtype=float32>,
 <tf.Tensor 'dropout_42/Identity:0' shape=(None, 5, 64) dtype=float32>)

打印（输入编码）
打印（问题编码）
(,
)

输入编码，552为句子长度，64为嵌入长度

问题编码，5是句子长度，64是嵌入长度

---

如果我们在点层中指定轴=（2，2），哪些值将被乘以？有人能帮我吗？

轴是指张量的轴

例如，在您的例子中，有一个形状为（None，552,64）的张量，它是3D（秩3）张量

标量（例如

3

）是0D张量

向量（

[1,2,3]

）是一维张量：

矩阵（[是2D张量，依此类推

       [1,2],
       [2,3],
        ]

第一个轴（轴0）是没有轴的轴

第二个轴（轴1）是具有522行的轴

第三个轴（轴2）是具有64列的轴

a = Input(batch_shape=(None,255,64))
b = Input(batch_shape=(None,5,64))
out = dot([a,b], axes =(2,2))
out.shape
TensorShape([Dimension(None), Dimension(255), Dimension(5)])

所以基本上，

a.b=a1.b1+a2.b2+a64.b64将给出一个标量。
因为你有一行5，所以在你的张量的最后一个轴上有一个5维的向量。（向量维和张量维不同，我已经看过文档，但无法理解它。除此之外，它是这两个张量的点积。但是轴（2，2）是什么这里。我的嵌入正在成倍增加吗？是吗？所以点积是在嵌入上完成的，即64*64。在这种情况下，结果的形状是什么？理论上应该是，（无，255,5），更新了我的答案