TensorFlow中使用tf.matmul进行多维张量相乘报错求助

你遇到的这个错误是因为tf.matmul对输入张量的维度有明确要求：它要求所有输入至少是2维的，并且最后两个维度要满足矩阵乘法的规则（即第一个张量的最后一维等于第二个张量的倒数第二维）。你的第二个张量是1维的[512]，第一个是3维的[41,22,512]，所以不符合MatMul操作的维度要求。

不过你的预期是完全正确的，确实可以得到形状为[41,22]或[41,22,1]的结果，这里有几种可行的解决方案：

方法1：调整第二个张量维度后使用tf.matmul #

把1维的[512]张量重塑为[512, 1]，这样就能和3维张量的最后两个维度[22,512]进行矩阵乘法，得到[41,22,1]的结果；如果需要[41,22]，再用squeeze去掉最后一个冗余维度即可：

import tensorflow as tf

# 模拟你的输入张量
a = tf.random.normal([41, 22, 512])
b = tf.random.normal([512])

# 重塑b为[512, 1]以满足matmul的维度要求
b_reshaped = tf.reshape(b, (512, 1))
# 执行矩阵乘法得到[41,22,1]
result_with_last_dim = tf.matmul(a, b_reshaped)
# 去掉最后一个维度得到[41,22]
result_squeezed = tf.squeeze(result_with_last_dim, axis=-1)

方法2：使用tf.tensordot直接计算点积 #

tensordot可以更灵活地处理不同维度的张量点积，指定axes=1就能直接对两个张量的最后一维进行点积操作，一步得到[41,22]的结果：

result = tf.tensordot(a, b, axes=1)  # 最终形状：(41, 22)

方法3：使用tf.einsum明确维度对应关系 #

einsum通过爱因斯坦求和约定来指定维度的运算关系，写法非常直观——直接把a的最后一维和b的唯一维度对应起来，就能直接输出[41,22]的结果：

result = tf.einsum('ijk,k->ij', a, b)  # 最终形状：(41, 22)

这几种方法都能满足你的需求，你可以根据自己的代码场景选择最顺手的方式。

内容的提问来源于stack exchange，提问作者WhatAMesh