如何处理具有维度无的张量乘法答案

【问题标题】：How to handle tensor multiplication with dimension None如何处理具有维度无的张量乘法
【发布时间】：2022-01-05 09:23:08
【问题描述】：

例如，当我使用时，我有 2 个张量 A 和 B，尺寸均为 (None，HWC)

tf.matmul(tf.transpose(A),B)

结果维度将是（HWC，HWC），这是正确的，但我想保留无维度，以便它可以是（无，HWC，HWC）。有没有办法做到这一点？

【问题讨论】：

回答有用吗？

标签： python tensorflow computer-vision conv-neural-network self-attention

【解决方案1】：

不妨试试这样的：

import tensorflow as tf

input1 = tf.keras.layers.Input(((32, 32, 3)))
input2 = tf.keras.layers.Input(((32, 32, 3)))
a = tf.keras.layers.Conv2D(64, (1, 1))(input1)
b = tf.keras.layers.Conv2D(64, (1, 1))(input2)
z = tf.matmul(a, b, transpose_a=True)
model = tf.keras.Model([input1, input2], z)
print(model.summary())

Model: "model_1"
__________________________________________________________________________________________________
 Layer (type)                   Output Shape         Param #     Connected to                     
==================================================================================================
 input_11 (InputLayer)          [(None, 32, 32, 3)]  0           []                               
                                                                                                  
 input_12 (InputLayer)          [(None, 32, 32, 3)]  0           []                               
                                                                                                  
 conv2d_17 (Conv2D)             (None, 32, 32, 64)   256         ['input_11[0][0]']               
                                                                                                  
 conv2d_18 (Conv2D)             (None, 32, 32, 64)   256         ['input_12[0][0]']               
                                                                                                  
 tf.linalg.matmul_4 (TFOpLambda  (None, 32, 64, 64)  0           ['conv2d_17[0][0]',              
 )                                                                'conv2d_18[0][0]']              
                                                                                                  
==================================================================================================
Total params: 512
Trainable params: 512
Non-trainable params: 0
__________________________________________________________________________________________________
None

【讨论】：