轴参数在keras的点层中有什么作用？

Question

当我们指定轴 = (2, 2) 时，哪些值被精确地相乘？谁能告诉我幕后到底发生了什么？

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>)

input_encoded_m，552是句子长度，64是嵌入长度​​

questions_encoded，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)，哪些值被相乘？谁能帮帮我？

Answer 1

轴表示张量的轴。

例如，在你的例子中，你有一个 shape=(None,552,64) 的张量，它是 3D(rank 3) 张量。

标量（例如 3）是 0D 张量。

一个向量 ([1,2,3]) 是一维张量：

一个矩阵（[是二维张量。等等。

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

第一个轴（轴 0）是没有的轴。

第二个轴（轴 1）是一个有 522 行的轴。

第三个轴（轴 2）有 64 列。

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。 由于您有 5 行，因此您将在张量的最后一个轴上有一个 5 维的向量。（向量维度与张量维度不同