Tensorflow 如何在Keras/Tf中实现两层张量积

我试图建立一个用于分类的DNN，在某一点上，我想取向量的张量积。我目前正在使用Keras函数API，但目前还不清楚是否有一个层已经实现了这一点

我一直试图使用Lambda层和numpy来尝试这个，但它不起作用。 在谷歌上搜索一下就会发现

tf.linalg.lineropertornecker

，它似乎也不起作用

以下是我尝试过的： 我有一个名为

part\u layer

的层，它的输出是一个向量（秩1张量）

keras.layers.Lambda（Lambda x_数组：np.outer（x_数组，x_数组），）（part_层））

理想情况下，我希望这个向量的形式是

[1,2]

，然后给我

[[1,2]，[2,4]

。 但是我得到的错误表明，

np.outer

函数无法识别其参数：

AttributeError:'numpy.ndarray'对象没有属性'\u keras\u history'

关于下一步尝试什么，或者是否有一个简单的函数可以使用，有什么想法吗？

使用

tf.tensordot（x\u数组，x\u数组，axes=0）

来实现您想要的。例如，表达式

print（tf.tensordot（[1,2]，[1,2]，axes=0））

给出了所需的结果：

[[1,2]，[2,4]

---

Keras/Tensorflow需要保存应用于张量的操作历史，以执行优化。NUMPY没有历史概念，所以在中间层使用它是不允许的。code>tf.tensordot执行相同的操作，但保留历史记录。

您可以使用两种操作：

如果您想考虑批次大小，可以使用

否则，您可以使用

在这两种情况下，代码应如下所示：

dot_lambda = lambda x_array: tf.keras.layers.dot(x_array, x_array)
# dot_lambda = lambda x_array: tf.keras.layers.Dot(x_array, x_array)
keras.layers.Lambda(dot_lamda)( part_layer)

---

希望有帮助。

尝试

tf.tensordot（x_数组，x_数组，axes=0）

而不是使用Numpy的

np.outer

。这不是给我一个标量而不是二阶张量吗？@Gilles PhilippePaillé请重新陈述你的答案-我后来通过使用重塑层解决了这个问题。谢谢你的回答，但不幸的是，这不起作用。例如，虽然此层的输入具有形状（无，5），但输出具有形状（无，5，无，5），而不是我想要的形状（无，5，5）。实际上，使用

x=Lambda（Lambda x_数组：tf.tensordot（x_数组，x_数组，axis=0））（x）

再次尝试此操作，然后通过

x=Lambda（Lambda x_数组：tf.transpose）应用转置层（x_数组，perm=[0,2,1,3]）（x）

修复上述输出问题，最后通过

x=Lambda进行切片（Lambda x_数组：x_数组[0，：，：，：，：]）（x）

谢谢-我得到了以前的工作答案，但我将在网络的下一次迭代中尝试这个方法。