Keras中如何实现标量张量与高维张量的乘法运算？

嘿，这个问题我之前踩过坑！Keras自带的multiply确实要求输入张量的维度完全匹配，但咱们可以利用TensorFlow的广播机制，或者手动扩展标量张量的维度来解决，两种方法都很简单，我给你拆解下：

方法一：直接在Lambda层完成乘法（推荐） #

TensorFlow本身支持维度广播，所以我们可以把标量张量和向量张量的乘法直接放到同一个Lambda层里完成，不用单独处理维度问题。修改你的代码如下：

scale_, mean_ = 2., 4.
a = Input(shape=(300,), name='Input_vec')
m_num = Input(shape=(1,), name='Input_num')
# 把两个输入传入Lambda，一次性完成指数变换+广播乘法
output = Lambda(lambda x: K.exp(x[1] * scale_ + mean_) * x[0])([a, m_num])

这里x[0]是你的300维向量，x[1]是标量张量，TensorFlow会自动把标量广播成和向量一样的形状（(300,)），然后执行元素级乘法，完美适配你的需求。

方法二：手动扩展标量张量维度再用multiply #

如果你坚持想用Keras的multiply函数，可以先把标量张量的维度扩展成和向量一致，比如用K.repeat_elements重复标量值：

scale_, mean_ = 2., 4.
a = Input(shape=(300,), name='Input_vec')
m_num = Input(shape=(1,), name='Input_num')
mulNum = Lambda(lambda x: K.exp(x * scale_ + mean_))(m_num)
# 把形状为(None,1)的mulNum扩展成(None,300)
mulNum_expanded = Lambda(lambda x: K.repeat_elements(x, rep=300, axis=1))(mulNum)
output = multiply([mulNum_expanded, a])

这样两个张量维度完全匹配，multiply就能正常工作了。

两种方法里更推荐第一种，代码更简洁，也少了一层额外的操作，效率更高。

内容的提问来源于stack exchange，提问作者user7867665