Tensorflow N-D张量矩阵与张量流相乘

假设我有一组向量

a

，我想将

a

中的每个向量乘以一个张量

T

，最后得到一个张量

y

，其中每个切片矩阵是

a

中的向量

v

与

T

相乘的结果：

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)

[[[ 7. 10.]
  [19. 22.]]

 [[15. 22.]
  [43. 50.]]]

如果

X

仅包含一个向量，则以下代码有效（感谢中的答案）：

但是如果X由几个向量组成，那么乘法的代码是什么呢

例如，对于

A

（带有

2

向量）和

T

，我有以下值：

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)

[[[ 7. 10.]
  [19. 22.]]

 [[15. 22.]
  [43. 50.]]]

我想通过将

A

乘以

T

得到以下输出：

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)

[[[ 7. 10.]
  [19. 22.]]

 [[15. 22.]
  [43. 50.]]]

这个问题的一个应用是线性回归中的批梯度下降法，其中我有一组向量，但不是训练权重矩阵，而是训练张量

T

，因此输出

y

将是一个张量，其中张量中的每个矩阵都是输入向量与

T

相乘的输出

注意，一般来说，当我们将维度为

1*n

的向量

v

与维度为

m*n*k

的张量

T

相乘时，我们期望得到维度为

m*k/m*1*k

的矩阵/张量。这意味着我们的张量有

m

个维度为

n*k

的矩阵切片，并且

v

与每个矩阵相乘，得到的向量叠加在一起。

尝试：

或者

eval

'

array([[[ 7., 10.],
        [19., 22.]],

       [[15., 22.],
        [43., 50.]]], dtype=float32)

---

哦，非常感谢，这么简单的解决方案。我无法在

tf.tensordot