tensorflow中向量與矩陣相乘

         我們只當使用tensorflow的tf.matmul()可以進行矩陣間的運算，但是要求矩陣的每一個維度的長度都要大於2，假如我們進行向量與矩陣的乘法時，使用該函數，則會報錯。

          具體地，我們使用一個2爲的向量乘以一個2×2的矩陣：

import tensorflow as tf
a = tf.constant([2, 3])
b = tf.constant([[0, 1], [2, 3]])
c = tf.matmul(a, b)
with tf.Session() as sess:
     print(sess.run(c))

會報錯：

ValueError: Shape must be rank 2 but is rank 1 for 'MatMul_11' (op: 'MatMul') with input shapes: [2], [2,2].

那如何實現向量與矩陣相乘呢？

         我們知道矩陣乘法的本質是對矩陣的向量進行線性組合，利用這個性質，我們可以對矩陣進行點乘再相加，從實現向量與矩陣的乘法。具體如下

1、矩陣×向量

 [[0, 1],      [2,
 [2, 3]]   ×    3] 

具體代碼實現：

import tensorflow as tf
a = tf.constant([2, 3])
b = tf.constant([[0, 1], [2, 3]])
mul =tf.reduce_sum(tf.multiply(a, b), reduction_indices=1)
with tf.Session() as sess:
     print(sess.run(mul))

結果是：

[ 3 13]

2、向量×矩陣

   [2, 3]  ×  [[0, 1],      
              [2, 3]]     

這個時候需要將矩陣進行轉置，然後在進行點乘，再橫向相加

具體代碼如下：

import tensorflow as tf
a = tf.constant([2, 3])
b = tf.constant([[0, 1], [2, 3]])
mul =tf.reduce_sum(tf.multiply(a, tf.transpose(b, perm=[1, 0])), reduction_indices=1)
with tf.Session() as sess:
     print(sess.run(mul))

結果：

[ 6 11]