张量与批处理数据和矩阵的乘法
张量是一种多维数组的数据结构，可以用来表示和处理多维数据。在机器学习和深度学习中，张量是非常重要的数据类型，用于存储和处理神经网络的输入、输出和参数。
批处理数据是指将多个样本数据一起进行处理的方法，可以提高计算效率和并行性。在深度学习中，通常会将一批样本数据同时输入神经网络进行训练或推理。
矩阵的乘法是指将两个矩阵相乘的运算。矩阵乘法在线性代数和数值计算中非常常见，可以用于解线性方程组、计算特征值和特征向量等。
张量与批处理数据和矩阵的乘法之间存在一定的关系。在深度学习中，通常使用张量来表示批处理数据，其中每个维度对应于不同的样本、特征或时间步。而矩阵乘法可以用于实现神经网络中的线性变换，例如将输入数据与权重矩阵相乘得到隐藏层的输出。
在腾讯云的产品中，TensorFlow是一个流行的深度学习框架，提供了丰富的张量操作和高效的批处理数据处理能力。您可以通过腾讯云的TensorFlow产品了解更多信息：TensorFlow产品介绍
此外，腾讯云还提供了弹性计算、云服务器、云数据库等多个产品，可以满足您在云计算领域的各种需求。您可以访问腾讯云官网了解更多产品和服务：腾讯云官网
相关·内容
1回答
我有一个张量m，它存储了n个3 x 3矩阵，其中含有dim n x 3 x 3，有一个张量v，有n个3x1向量和dim n x 3。如何应用元向矩阵向量乘法，即第i-矩阵与第1-向量相乘，得到具有dim n x 3的输出张量。
谢谢你的帮助。
浏览 9提问于2022-01-23得票数 0
回答已采纳
我想将一个稀疏张量乘以一个密集张量，但在一批中这样做。
例如，我有一个稀疏张量，其对应的密集形状为( 20 ,65536,65536)，其中20是批量大小。我想将批中的每个(65536,65536)与具有密集表示的张量形状(20,65536)中的相应(65536x1)相乘。tf.sparse_tensor_dense_matmul只接受秩2稀疏张量。有没有一种方法可以在批处理上执行此操作？
如果可能的话，我希望避免由于内存限制而将稀疏矩阵转换为密集矩阵。
浏览 17提问于2018-02-09得票数 5
4回答
对于numpy，我可以这样做一个简单的矩阵乘法：
a = numpy.ones((3, 2))
b = numpy.ones((2, 1))
result = a.dot(b)
但是，这不适用于PyTorch：
a = torch.ones((3, 2))
b = torch.ones((2, 1))
result = torch.dot(a, b)
此代码引发以下错误：
RuntimeError:一维张量，但得到二维张量和二维张量
如何在PyTorch中执行矩阵乘法？
浏览 9提问于2017-06-13得票数 84
回答已采纳
1回答
二维张量之间张拉点的尺寸
、、、、
我有一个关于张力点操作的快速问题。我试图找出在两个张量之间执行张量乘积的方法，以得到我想要的形状的正确输出。其中一个张量是B，L，X，D维数，另一个是B，X，1，D维数，我试着找出是否有可能在最后得到B，X，D矩阵。
目前，我正在遍历B维，并在1XD和D(转置end )矩阵之间执行矩阵乘法，并将它们叠加到最后的B矩阵。这显然不是最快的方法，因为一个循环可能是昂贵的。能否通过快速张拉点获得所需的B×D形状输出？我似乎想不出一个办法摆脱其中的一个B。
任何见解或方向都将不胜感激。
浏览 8提问于2021-11-05得票数 0
回答已采纳
3回答
我遵循，它使用torch.bmm方法，如下所示：
attn_applied = torch.bmm(attn_weights.unsqueeze(0),
encoder_outputs.unsqueeze(0))
我理解为什么我们需要增加注意力权重和编码器输出。
我不太明白为什么这里需要bmm方法。torch.bmm文件说
执行存储在batch1和batch2中的矩阵的批处理矩阵积.
batch1和batch2必须是三维张量，每个张量都包含相同数目的矩阵.
若batch1为(b×n×m)张量，batch2为(b×m×p)张量，则out为(b×
浏览 2提问于2018-06-12得票数 11
回答已采纳
2回答
我在学习神经网络。
下面是完整的代码：
当我转换特性时，我得到以下输出：
import torch
def activation(x):
return 1/(1+torch.exp(-x))
### Generate some data
torch.manual_seed(7) # Set the random seed so things are predictable
# Features are 5 random normal variables
features = torch.randn((1, 5))
# True weights for our data, rando
浏览 1提问于2020-07-21得票数 3
回答已采纳
1回答
我有一个关于张量操作的想法，这个操作通过迭代不难实现，批量大小为1。不过，我想尽可能地并行化它。
我有两个形状为(n，5)的张量，称为X，Y。X实际上表示形状为(n，1)的5个一维张量：(x_1，…，x_n)。对Y也是。
我想计算一个形状为(n，25)的张量，其中每一列表示张量运算f( x_i，y_j)的输出，其中f对所有1 <= i，j <= 5都是固定的。f有输出形状(n，1)，就像x_i和y_i一样。
我认为重要的是要澄清，f本质上是一个完全连接的层，从级联的...x_i，形状(1，10)的...y_i张量到形状(1,5)的输出层。
同样，很容易看到如何使用迭代和切片手动完成
浏览 5提问于2022-03-30得票数 0
回答已采纳
我有一个输入x，第一层权重矩阵，和第二层权重矩阵。
现在我想用手计算这个预先训练过的神经网络的输出：
X* weights1 * weights2
在进行此操作时，我收到一个RuntimeError:在非单例维数1处，张量a (6)的大小必须与张量b (4)的大小匹配。
class Net(nn.Module):
def __init__(self):
super().__init__()
self.fc1 = nn.Linear(4,6)
self.fc2 = nn.Linear(6,2)
self.fc3 = nn.Linear(2,1)
def for
浏览 2提问于2020-02-18得票数 0
回答已采纳
2回答
我正在做一个项目，在这个项目中，我需要乘2个张量，看起来像这样。第一个张量有5个矩阵，第二个张量有5个列向量。我需要把这两者相乘，得到得到的张量，这样这个张量的每个元素都是列向量，在把对应的矩阵乘以相应的列向量后得到。`
tensor([[[8.1776, 0.6560],
[0.6560, 2.3653]],
[[8.1776, 0.6560],
[0.6560, 2.3104]],
[[8.9871, 0.6560],
[0.6560, 2.2535]],
[[1.3231, 0.6
浏览 23提问于2022-12-04得票数 0
我试图实现N，x，N，x，P张量的双随机归一化，如第3.2节所述。这可以很容易地在can的情况下使用矩阵运算，但我被困在三维张量的情况。我到目前为止
def doubly_stochastic_normalise(E):
"""E: n x n x f"""
E = E / torch.sum(E, dim=1, keepdim=True) # normalised across rows
F = E / torch.sum(E, dim=0, keepdim=True) # normalised across col
浏览 3提问于2022-02-02得票数 0
回答已采纳
5回答
我有一些由input_x表示的数据。它是一个未知大小的张量(应该由批处理输入)，其中的每个项目都是大小为n的。input_x经历了tf.nn.embedding_lookup，因此embed现在有维度[?, n, m]，其中m是嵌入大小，?是未知的批处理大小。
这里描述了这一点：
input_x = tf.placeholder(tf.int32, [None, n], name="input_x")
embed = tf.nn.embedding_lookup(W, input_x)
现在，我试图用矩阵变量U将输入数据中的每个样本(现在通过嵌入维度进行扩展)乘以，而我似乎无
浏览 7提问于2016-07-06得票数 48
回答已采纳
在tensorflow中，有用于进位和矩阵乘法的很好的函数，但是在查看文档之后，我找不到任何内部函数来获取两个张量的外部乘积，即由小张量元素的所有可能乘积(如numpy.outer)生成更大的张量：
v_{i,j} = x_i*h_j
或
M_{ij,kl} = A_{ij}*B_{kl}
tensorflow有这样的功能吗？
浏览 5提问于2015-11-22得票数 19
回答已采纳
也许我对什么是“内部”和“外部”张量维度感到困惑，但是关于tf.matmul的文档让我感到困惑：
输入必须是矩阵(或秩> 2的张量，表示矩阵的批次)，内部维数相匹配，可能是在换位之后。
R-秩参数不需要匹配(或不) R-2外维，而且(在正规矩阵乘法中)第一个参数的内部维数必须与第二个参数的R-1维数相匹配。也就是说，在
A = tf.constant(..., shape=[a, ..., z, p, x])
B = tf.constant(..., shape=[a', ..., z', x', q])
C = tf.matmul(A, B)
外部维度
浏览 5提问于2017-06-01得票数 1
回答已采纳
我正在尝试计算三维张量和二维张量之间的点积。我不确定这是不是正确的方法。具体地说，我想将矩阵10,512与向量1,512相乘，但在具有3d张量和矩阵的情况下，我希望找到一种有效的方法。
f = tf.placeholder(shape = [5, 10, 512], dtype = tf.float32)
g = tf.placeholder(shape = [5, 512], dtype = tf.float32)
g = tf.expand_dims(g, 1)
m = tf.reduce_sum( tf.multiply( f, g ), 2 , keep_dims = False )
浏览 1提问于2018-04-16得票数 0
1回答
在PyTorch中，如何得到两个向量/矩阵/张量的？
对于谷歌员工来说，这是一种产品，也称为：
Hadamard积
Schur积
环境乘积
浏览 0提问于2018-11-19得票数 26
1回答
如何进行分层乘法？
、、、
我有一个张量，包含五个2x2矩阵-形状(1,5,2,2)，张量包含5个元素-形状(5)。我想把每个2x2矩阵(前一个张量)乘以相应的值(在后一个张量中)。结果张量应为形状(1,5,2,2)。怎么做？
在运行此代码时获取以下错误
a = torch.rand(1,5,2,2)
print(a.shape)
b = torch.rand(5)
print(b.shape)
mul = a*b
RuntimeError: The size of tensor a (2) must match the size of tensor b (5) at non-singleton dimension 3
浏览 1提问于2020-05-02得票数 2
2回答
我有一个矩阵m = np.array([[3,4], [5,6], [7,5]])和一个向量v = np.array([1,2])，这两个张量可以乘以。
对于上述两个张量的乘法，否。m列的值必须等于no。v行的
m和v的形状分别为(3,2)和(2 )。
如果m有3行和2列，而v有1行和2列，那么乘法怎么可能呢？
浏览 20提问于2022-07-13得票数 1
回答已采纳
4回答
我试图执行以下矩阵和张量乘法，但批处理。
我有一个x向量列表：
x = np.array([[2.0, 2.0], [3.0, 3.0], [4.0, 4.0], [5.0, 5.0]])
以及下列矩阵和张量：
R = np.array(
[
[1.0, 1.0],
[0.0, 1.0],
]
)
T = np.array(
[
[
[2.0, 0.0],
[0.0, 0.0],
],
[
[0.0, 0.0]
浏览 0提问于2018-06-26得票数 1
回答已采纳
我想用一个3-D Eigen::Tensor替换代码中的一个矩阵序列。考虑到这一点，我试着比较张量和矩阵的性能。
下面的函数"tensorContractTest“执行(n，n，n)秩3张量的收缩，其中秩1张量的大小为n (n = 500)。此收缩计算n**2个点积，因此就运算数量而言，它等同于两个(n，n)矩阵的乘法(下面的函数"matrixProductTest“)。
在Visual Studio2013上运行时，函数"tensorContractTest“的运行速度比"matrixProductTest”慢约40倍。也许，我遗漏了一些东西。感谢您的帮助。
浏览 211提问于2018-01-05得票数 3
我完全是TensorFlow的初学者，现在我有一个一维张量，它的形状是4，1，当我把它们相乘时，我有2个矩阵a=tf.placeholder(tf.float32,[4,2]); b=tf.placeholder(tf.float32,[2])：c=tf.mul(a,tf.expand_dims(b,1))。
然后我得到了一个4,1矩阵，它是一个二维张量，但是我想把它变成一个一维张量，这意味着它是一个向量，它的形状是4，而不是4,1。
tf.shape显示tf.shape[c]=[4 1],not [4]
有人能告诉我怎么做吗？非常感谢。
浏览 5提问于2016-12-01得票数 2
回答已采纳
如果我有一个张量收缩A[a,b] * B[b,c,d] = C[a,c,d]，它具有B[b,c,d] = B[b,d,c]和C[a,c,d] = C[a,d,c]的性质，那么如何建立BLAS来利用这个对称性呢？
这里假设爱因斯坦求和表示法，即重复指数表示和。
sgemm 似乎是关于矩阵的对称性，而不是秩-3张量.
我可以尝试将张量B平面/重塑成一个更低维的数组，但是看起来平坦/重塑张量也需要时间，至少在Fortran中是这样。
浏览 5提问于2021-03-15得票数 1
回答已采纳
这是一个关于torch.einsum在图形处理器中内部工作情况的查询。我知道如何使用einsum。它是执行所有可能的矩阵乘法，并只挑选相关的矩阵乘法，还是只执行所需的计算？ 例如，考虑两个张量a和b，形状为(N,P)，我希望找到每个相应张量ni，形状(1,P)的点积。使用einsum，代码是： torch.einsum('ij,ij->i',a,b) 在不使用einsum的情况下，获取输出的另一种方法是： torch.diag(a @ b.t()) 现在，第二个代码应该比第一个代码执行更多的计算(例如，如果N = 2000，它执行的计算量是第一个的2000倍)。但是，当
浏览 47提问于2020-09-07得票数 3
回答已采纳
1回答
假设我有两个张量A的形状: 32,512和B的形状: 32,512，
我想在矩阵的向量之间做元素乘法，得到一个新的形状矩阵：，我已经尝试过简单地修改矩阵值，而不是行，并给出一个形状矩阵: 32,512。
谢谢!
浏览 3提问于2020-05-01得票数 0
回答已采纳
这似乎是一个基本的问题，但我无法解决。
在神经网络的前通过中，我有一个形状为8x3x3的输出张量，其中8是我的批次大小。我们可以假定每个3x3张量都是一个非奇异矩阵。我需要找到这些矩阵的逆。PyTorch 函数仅适用于方阵。既然我现在有8x3x3，如何以可微的方式将此函数应用于批处理中的每个矩阵？
如果我迭代这些示例并将逆附加到python列表中，然后将其转换为PyTorch张量，那么它是否会在备份期间出现问题呢？(我的问题是，因为将PyTorch张量转换为numpy来执行一些操作，然后返回到张量，就不会在支持这些操作时计算梯度)。
当我尝试做类似的事情时，我也会得到以下错误。
a = tor
浏览 23提问于2017-10-05得票数 10
2回答
据我所知，Nvidia张量核将两个4x4矩阵相乘，并将结果加到第三个矩阵中。将两个4x4矩阵相乘产生一个4x4矩阵，加上两个4x4矩阵产生一个4x4矩阵。仍然“每个张量核心提供一个4x4x4矩阵处理数组”。
每一行都需要4倍的乘法-累积运算。我认为最后一个x4可能来自积累之前的中间结果，但我认为它不太符合Nvidias页面上的描述。
“FP16乘得到了一个完整的精度结果，这个结果是在FP32操作中与给定点乘积中的其他乘积一起积累的，如图9所示。”
4x4x4矩阵乘法？我认为矩阵的定义是二维的。
谁能解释一下上一个x4是从哪里来的？
浏览 9提问于2022-07-10得票数 0
回答已采纳
我正在重新实现，关键操作是双线性张量积。我几乎不知道这是什么意思，但这篇论文有一个很好的小图形，我理解它。
关键操作是e_1 *W* e_2，我想知道如何在tensorflow中实现它，因为剩下的应该很容易。
基本上，给定3D张量W，将其切片为矩阵，对于第j个切片(矩阵)，将其每边乘以e_1和e_2，得到一个标量，这是结果向量(此操作的输出)中的第j个条目。
所以我想计算d维向量e_1，d x d x k张量，W，和另一个d维向量e_2的乘积。这个产品可以像现在一样用TensorFlow简洁地表达吗，或者我必须以某种方式定义我自己的操作？
早先编辑了
为什么这些张量相乘不起作用，有没
浏览 127提问于2015-12-06得票数 16
回答已采纳
1回答
给定shape=[batch_size, max_time, 128] (RNN的输出)的张量，其max_time可能会有所不同，我想应用一个完全连接的层来将数据投影到[batch_size, max_time, 10]形状上。
问题是:我是否需要首先重塑输入张量，合并前两个维度，然后应用tf.layers.dense，然后重塑回3D？或者，我可以简单地在3D张量上使用tf.layers.dense来获得等效效果吗？
我希望为128个RNN单元和10个输出类之间的所有连接共享一个权重矩阵，同时允许每个批次的可变长度max_time。
浏览 1提问于2017-10-12得票数 4
1回答
在Keras中称量张量
、、、、
我有一个非常简单的问题，似乎在Keras中没有内置的解决方案。
我的问题是：
我有一个(50，)维张量(层1的输出)，它应该被乘以一个(50，49)维张量。
这些张量是某些层的输出。
我认为简单乘法(layer1，layer2)可以工作，但结果是它们需要相同形状的张量。
我试图得到：(50，)层的每个元素应该被乘以(50，49)层中的每个49维向量，输出作为(50，49)张量。
在Keras中有什么办法可以做到吗？
浏览 0提问于2017-06-21得票数 0
回答已采纳
我试图找出一种使用numpy以尽可能高效的方式执行以下代数的方法：
给定三维矩阵/张量，A，具有形状(n, m, p)，二维矩阵/张量，B，与形状(n, p)，计算C_ij = sum_over_k (A_ijk * B_ik)，其中产生的矩阵C将有维数(n，m)。
我试过两种方法。一种是遍历第一维，每次计算一个规则的点积。另一种方法是用np.tensordot(A, B.T)计算形状(n, m, n)的计算结果，然后沿1维和3维取对角线单元。这两种方法如下所示。
第一种方法：
C = np.zeros((n,m))
for i in range(n):
C[i] = np.dot(A
浏览 0提问于2019-09-07得票数 1
回答已采纳
我有两个张量：
带形状的128,24,24,256B A:形状为128,24,24,64
我想把它们加在一起，但是维数是不同的，所以通过类比2D矩阵，我想把张量B和其他张量C相乘，这样张量积B*C就有维数128,24,24,256。
我怎样才能在丹索尔·弗洛做到这一点？哪个维度应该是C张量？
浏览 5提问于2021-03-17得票数 1
回答已采纳
2回答
我试图以以下方式将一些4维数组(块矩阵)相乘：
其中C有形状(50,50,12,6)，Q有形状(50,50,12,12)，R有形状(50,50,6,6)，
我想知道我应该如何选择正确的轴来执行张量产品？我尝试以下列方式制作矩阵产品：
H = np.tensordot(C_block.T,Q_block) @ C_block
但是返回一个值错误：
---------------------------------------------------------------------------
ValueError Trace
浏览 21提问于2022-05-26得票数 1
A= P*N，B= Q*N和C= R*N有3个稀疏张量，在tensorflow中，积矩阵A*B*C的维数是P*Q*R的有效方法是什么？
我尝试过使用tf.matmul，然后是tf.reshape，但是它不会给出上面所指定的尺寸的产品矩阵。
谢谢。
浏览 9提问于2017-02-01得票数 1
回答已采纳
1回答
给定两个2-D pytorch张量：
A = torch.FloatTensor([[1,2],[3,4]])
B = torch.FloatTensor([[0,0],[1,1],[2,2]])
有没有一种有效的方法来计算形状(6，2，2)的张量，其中每个条目是一列A乘以每行B
例如，对于上面的A和B，3D张量应该具有以下矩阵：
[[[0, 0],
[0, 0]],
[[1, 1],
[3, 3]],
[[2, 2],
[6, 6]],
[[0, 0],
[0, 0]],
[[2, 2],
[4, 4]],
[[4, 4],
[8, 8]]]
我知
浏览 2提问于2021-01-19得票数 2
1回答
我有两个三维Pytorch张量，一个维度(8，1,1024)，另一个维度(8，59，77)。我想把这两个人相乘。 我知道它们不能在当前状态下相乘，所以我想迭代地将它们相乘，并附加到单个张量中。当我们迭代第二维时，第二个张量可以表示为(8，59，1)。在这种状态下，将其与形状的第一个张量(8，1,1024)相乘，得到形状(8，59,1024)的张量，最后将所有这77个输出附加到一个中，得到(8，59,1024，77)的最终形状。 然而，我在它的实现中遇到了一些问题。有人能帮帮我吗？
浏览 32提问于2020-11-22得票数 1
我想旋转一个有四个顶点坐标的矩形。我通过从旋转角度创建旋转矩阵来实现这一点，并使用该矩阵来转换原始矩形坐标。然而，我不仅仅有一个旋转矩阵和一个矩形，还有很多。 旋转张量R看起来像n,2,2，矩形张量B看起来像n,4,2。如果n只是1，我就可以做普通的tf.matmul(R，B)，但在这里我不知道怎么做。我想我可以用tf.einsum做到这一点，但我不知道如何形成等式。任何帮助都将不胜感激。
浏览 33提问于2020-12-17得票数 0
我想要有一个特征C++函数，基本上看起来像这样：
void multiplyAndContract(Tensor& a, Tensor& b, Tensor &c)
它简单地将b和c相乘(它们具有相同的维度)，然后将b和c相乘的结果(即在b*c和a的第一个维度上)收缩为a。
B和c通常是向量维度(即，秩为1的张量)。
我不确定如何使用特征与张量进行坐标乘法(似乎没有cwiseProduct，就像矩阵一样)，我也不确定如何做到这一点，以便它是创建临时张量的最有效方法。
我很乐意得到一些代码的例子，它不一定要是全功能的，但只是一个关于如何做到这一点的参考。
浏览 0提问于2016-11-12得票数 0
1回答
我想计算投资组合的方差：
假设我有2个带权重的资源：
weights = np.array([.3,.7]).reshape(1,2)
和以下2个相关矩阵：
correl = np.array([[[1,.4],[.4,1]],[[1,.6],[.6,1]]])
我想在一个步骤中完成权重x相关和权重x correl1
有没有一种方法可以选择(2,2,2)张量的轴来乘以子矩阵？
浏览 20提问于2018-05-31得票数 0
1回答
张量内矩阵的矢量化
、、、
我在将代码的一部分向量化时遇到了一些困难。我有一个(n，n，m)张量，我想把m中的每一片乘以第二个(n乘以n)矩阵(不是元素)。
下面是一个for-循环的样子：
Tensor=zeros(2,2,3);
Matrix = [1,2; 3,4];
for j=1:n
Matrices_Multiplied = Tensor(:,:,j)*Matrix;
Recursive_Matrix=Recursive_Matrix + Tensor(:,:,j)/trace(Matrices_Multiplied);
end
如何以向量化的方式对张量内的单个矩阵进行矩阵乘法？是否有一个内置
浏览 4提问于2016-07-17得票数 1
回答已采纳
我想用张量的形式来表示叠加矩阵。
tensor.shape == [2,5,7,6]
其中2和5是批的大小，
tensor2.shape == [5,6,8]
其中5是批次大小。
在numpy中，tensor2自动广播到2,5,7,6张量
所以我可以很容易地使用np.matmul(tensor,tensor2)
但在tensorflow中，会出现错误。
我试过tf.expand_dims(tensor2,0)，但这也不起作用
有什么办法在坦索弗洛广播张量吗？
浏览 5提问于2017-05-31得票数 2
回答已采纳
我是张量量化的新手，我试着做一些简单的事情，比如
import torch
x = torch.rand(10, 3)
y = torch.rand(10, 3)
x@y.T
在CPU上运行PyTorch量化张量。我就这样试着
scale, zero_point = 1e-4, 2
dtype = torch.qint32
qx = torch.quantize_per_tensor(x, scale, zero_point, dtype)
qy = torch.quantize_per_tensor(y, scale, zero_point, dtype)
qx@qy.T # I tri
浏览 1提问于2020-02-20得票数 6
2回答
我试图使用张量流来运行这个线性回归代码。我必须使用张量流矩阵乘法，但我得到了误差。
我的代码：
import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()
tf.set_random_seed(777)
tf.reset_default_graph()
x_train = [1, 2, 3, 4, 5]
y_train = [1.1,2.3, 3.2,4.0,5.4]
X = tf.placeholder(tf.float32)
Y = tf.placeholder(tf.float32)
W = tf.Variable(t
浏览 0提问于2021-09-17得票数 1
我有一个4x4x256张量和一个128x256矩阵。我需要将张量的每个256-d深度向量乘以矩阵，从而得到一个4x4x128张量。
在Numpy工作我不清楚该怎么做。在它们当前的形状中，似乎不存在np.dot的任何变体来做到这一点。操纵形状以利用广播规则似乎没有提供任何帮助。np.tensordot和np.einsum可能是有用的，但是看文档就会让我不知所措。
有没有一种有效的方法来做到这一点？
浏览 2提问于2017-12-20得票数 0
回答已采纳
1回答
Matlab中的张量收缩
、、、
可能重复：
有没有办法在Matlab中收缩高维张量？
例如，假设我有两个三维数组，具有以下大小：
size(A) == [M,N,P]
size(B) == [N,Q,P]
我想在第二个指数和第一个指数上分别收缩A和B。换句话说，我想把A看作是大小为[M,N]的矩阵的数组，B是[N,Q]矩阵的等长数组；我想把这些数组按元素(矩阵逐矩阵)相乘，得到大小为[M,Q,P]的矩阵。
我可以通过一个循环来完成这个任务：
assert(size(A,2) == size(B,1));
assert(size(A,3) == size(B,3));
M = size(A,1);
P = size(A
浏览 1提问于2011-09-01得票数 6
回答已采纳
1回答
当im试图使用tf.matmul将形状为41、22、512和512的两个矩阵相乘时，我得到以下错误：
ValueError: Shape must be rank 2 but is rank 3 for 'MatMul' (op: 'MatMul')
with input shapes: [41,22,512], [512]..
我通常认为这样的乘法输出一个形状为41,22,1或41,22的张量。
浏览 0提问于2018-05-22得票数 0
回答已采纳
1回答
张量核可以通过CUDA中的WMMA接口编程访问(请参阅和)。最近，在安培卡片的生成中，Nvidia宣布了用稀疏矩阵执行稀疏张量运算的能力，如下所示：
所显示的格式似乎是在四个元素段(2位索引)内采用成对的元素及其顺序。但是，看看，我找不到任何关于这个，或者如何访问那些特殊的张量核心操作的东西。无论是AFAICT还是AFAICT，该功能的公告页面都没有说明这一点。
如何访问cuda中的稀疏张量核心功能？
浏览 37提问于2022-10-10得票数 2
回答已采纳
给予火炬张量：
# example tensor size 2 x 4
a = torch.Tensor([[1, 2, 3, 4], [5, 6, 7, 8]])
另一种情况是，每n行重复：
# example tensor size 4 x 3 where every 2 rows repeated
b = torch.Tensor([[1, 2, 3], [4, 5, 6], [1, 2, 3], [4, 5, 6]])
如何执行矩阵乘法：
>>> torch.mm(a, b)
tensor([[ 28., 38., 48.],
[ 68., 94
浏览 2提问于2021-05-12得票数 2
回答已采纳
我想用tensorflow (TF 2.10)做下面的乘法，但是我不知道怎么做。
我有一个图像张量a，它是224x224x3形状的，张量b是形状224x224xf的。我想把(按元素划分的) a乘以b的每个2D矩阵，由f切片，得到形状224x224xf的矩阵c。
因此，例如，第一乘法将按如下方式进行：
tf.reduce_sum(a * b[:,:,0][:,:,None],axis=-1)
(广播+求和，结果为形状224x224)
等等，直到f第四乘法。结果是形状224x224的224x224矩阵在形状224x224xf的c矩阵中的聚集。
我非常感谢关于如何使用tensorflow功能来完成此
浏览 13提问于2022-11-27得票数 0
回答已采纳
1回答
平头分块对角线
、、、
我有两个张量，包含批量大小相同的矩阵(第一维)，但不同的矩阵结构(所有其他维度)。例如A的形状(n，d，d)和B (n，e，e)。现在我想为所有的n建立A和B的块对角线，这样输出形状(n，(d+e)，(d+e))。
这样的问题有实现吗？
我只能找到不适合尺寸高于2的torch.block_diag。
浏览 5提问于2022-11-18得票数 1
2回答
我正在使用C++版本的TensorFLow，并且已经成功地使用了下面的命令“bazel -c opt ”中描述的'TensorFlow for Android‘
我正在努力优化卷积码。以下是所面临的问题
无法找到卷积码的确切位置。我能够在下面的函数中调试代码
‘返回选择( Cond()，kernel.reshape(kernel_dims) .contract(输入.extract_image_patches(kernelRows，kernelCols，row_stride，col_stride，row_in_stride，col_in_stride，padding_typ
浏览 6提问于2017-06-08得票数 0
回答已采纳
2回答
将两个多维数组相乘，比方说一维数组乘以三维数组：
[1 2] * reshape(1:8,2,2,2)
给出了错误消息：
LoadError: MethodError: `*` has no method matching *(::Array{Int64,2}, ::Array{Int64,3})
Closest candidates are:
*(::Any, ::Any, !Matched::Any, !Matched::Any...)
*{TA,TB}(::Union{DenseArray{TA,1},DenseArray{TA,2},SubArray{TA,1,A<:De
浏览 2提问于2015-09-21得票数 2
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
实时音视频
即时通信 IM活动推荐
腾讯云开发者
