TensorFlow调用tf.matmul出现InvalidArgumentError报错如何解决？

• 核心触发原因：数据类型不匹配
  错误栈明确给出报错逻辑：BatchMatMulV2算子要求两个输入张量的数值类型完全一致，你的输入参数中y_true是numpy数组，默认采用int64整数类型存储，logy是float64（即double）类型的TensorFlow张量，类型不一致直接触发参数校验报错。
• 潜在问题：维度不符合矩阵乘法规则
  tf.matmul做批量矩阵乘法时，要求最后两个维度满足「前一矩阵的列数 = 后一矩阵的行数」的规则，你当前的y_true维度为(1000,1,1)，logy维度为(1000,1)，维度对齐后也不满足乘法规则，就算类型问题修复后也会继续触发维度报错。

步骤1：统一数据类型 #

先将numpy格式的y_true转换为和logy同类型的TensorFlow张量，使用tf.cast实现：

# 直接对齐logy的数值类型，也可手动指定为tf.float32降低显存占用
y_true_tf = tf.cast(y_true, dtype=logy.dtype)

步骤2：调整维度适配运算需求 #

根据你的实际计算逻辑二选一即可：

• 方案A：保留矩阵乘法逻辑，调整维度符合tf.matmul要求

# 压缩y_true最后一个冗余维度，变为(1000, 1)
y_true_tf = tf.squeeze(y_true_tf, axis=-1)
# 给logy增加最后一维，变为(1000, 1, 1)
logy_reshaped = tf.expand_dims(logy, axis=-1)
# 执行矩阵乘法，输出维度为(1000, 1, 1)
p1 = tf.matmul(y_true_tf, logy_reshaped)

• 方案B：替换为逐元素乘法（如果你的业务逻辑是对应位置元素相乘，优先选这个，运算效率更高）

# 统一两个张量维度为(1000,1)
y_true_tf = tf.squeeze(y_true_tf, axis=-1)
# 直接用*运算符做逐元素相乘，输出维度为(1000, 1)
p1 = y_true_tf * logy

内容的提问来源于stack exchange，提问作者S M Abrar Jahin