Tensorflow中高维矩阵的乘法运算tf.matmul(tf.linalg.matmul)详悉

news2024/9/20 16:24:02

1.问题由来

在tensorflow框架下，经常会用到矩阵的乘法运算，特别是高（多）维的矩阵运算，在这些矩阵运算时，经常使用到其中的tf.matmul或tf.linalg.matmul等函数。但高维矩阵在内部怎么运算的？其内部的参数是怎么实现的在tensorflow给出的介绍仍然存在表达不明的问题，所以在此作进一步的阐释。

声明：本博客里的数组乘法运算是指矩阵乘法运算，不是对应元素相乘。所述高维代表矩阵的维度 $\geq$ 3维。

2.高维矩阵的乘法运算规则

2.1 运算条件

两矩阵的维数相同： $len(a.shape)=len(b.shape)$
前 $n-2$ 个维度都一致： $a.shape[0]=b.shape[0],...,a.shape[-3]=b.shape[-3]$
最后两个维度满足矩阵乘法运算： $a.shape[-1]=b.shape[-2]$
具体地，假设 $a.shape=(n_{1},n_{2},...,n_{L})$ ， $b.shape=(m_{1},m_{2},...,m_{L})$ ，则 $tf.matmul(a,b)$ 能运算的条件如下图（箭头表示相等）：

2.2 使用tf.matmul(tf.linalg.matmul)时存在的问题

按照上文的规则使用tf.matmul(tf.linalg.matmul)时，又会存在各种问题。以tf.linalg.matmul为例，其关键参数设置如下， $\mathbf{a}$ 和 $\mathbf{b}$ 表征2个高维矩阵，transpose_a和transpose_b可以理解为分别对 $\mathbf{a}$ 和 $\mathbf{b}$ 这2个矩阵的转置操作。我们假设 $\mathbf{a}$ 和 $\mathbf{b}$ 都是4维矩阵，并设维度分别为 $[a,b,c,d]$ 和 $[e,f,g,h]$ 。tensorflow中，第1维一般是batchsize。那么，tf.linalg.matmul(a,b,transpose_b=True)是不是对矩阵 $\mathbf{b}$ 的真正转置呢？即tf.linalg.matmul(a,b,transpose_b=True)是维度维 $[a,b,c,d]$ 的矩阵 $\mathbf{a}$ 与维度为 $[h,g,f,e]$ 的矩阵 $\mathbf{b}$ 直接的矩阵运算呢？

tf.linalg.matmul(
    a,
    b,
    transpose_a=False,
    transpose_b=False,
    adjoint_a=False,
    adjoint_b=False,
    a_is_sparse=False,
    b_is_sparse=False,
    output_type=None,
    grad_a=False,
    grad_b=False,
    name=None
)

如果我们直接看tensorflow给出的解释如下

直观的理解确实如前文所述，其实不然。

这里的transpose_a / transpose_b=True并不是执行传统数学意义上的转置操作，而是仅对高维矩阵上的最后两个维度的转置，其它维度仍保持不变。这是通过调用tf.linalg.matrix_transpose实现的。具体如下

tf.linalg.matrix_transpose(
    a, name='matrix_transpose', conjugate=False
)

tensorflow文档中对其的描述如下，即转置矩阵 $\mathbf{a}$ 的最后2个维度。

Transposes last two dimensions of tensor a.

至于后续的运算可以在相关文档中查阅得到。

参考文档

tensorflow中高维数组乘法运算_高位矩阵乘法 tensorflow-CSDN博客

TensorFlow中矩阵乘操作tf.matmul(或tf.linalg.matmul)和矩阵元素乘tf.multiply(或tf.math.multiply)用法对比-CSDN博客

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1948345.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！