Keras中batch_dot与dot方法及TensorFlow matmul的矩阵乘法解析
发布时间：2026-10-14 |
2人浏览过
本文详细对比Keras后端函数batch_dot、dot与TensorFlow的matmul在矩阵乘法中的行为差异。通过多维数组示例，解析batch_dot沿最后两维运算、dot处理高维广播及matmul的等效性，帮助开发者正确选择函数以避免维度错误。
概述
概述
batch_dot与matmul的功能等价性
在Keras中调用keras.backend.batch_dot与使用TensorFlow的tf.matmul，两者在实现智能矩阵乘法功能上是一致的。假设A、B、C、D、E、F、G、H、I、J、K、L均为二维矩阵，中间点号代表矩阵乘法操作，例如AG表示矩阵A与G相乘（要求A的列维度等于G的行维度），结果记为WX=Z。
import keras.backend as K
import tensorflow as tf
import numpy as np
w = K.variable(np.random.randint(10,size=(10,12,4,5)))
k = K.variable(np.random.randint(10,size=(10,12,5,8)))
z = K.batch_dot(w,k)
print(z.shape) #(10, 12, 4, 8)
import keras.backend as K
import tensorflow as tf
import numpy as np
w = tf.Variable(np.random.randint(10,size=(10,12,4,5)),dtype=tf.float32)
k = tf.Variable(np.random.randint(10,size=(10,12,5,8)),dtype=tf.float32)
z = tf.matmul(w,k)
print(z.shape) #(10, 12, 4, 8)
多维矩阵乘法示例与维度错误分析
示例
from keras import backend as K
a = K.ones((3,4,5,2))
b = K.ones((2,5,3,7))
c = K.dot(a, b)
print(c.shape)程序运行后输出如下结果：
ValueError: Dimensions must be equal, but are 2 and 3 for ‘MatMul' (op: ‘MatMul') with input shapes: [60,2], [3,70].
from keras import backend as K
a = K.ones((3,4))
b = K.ones((4,5))
c = K.dot(a, b)
print(c.shape)#(3,5)或者出现以下错误提示：
import tensorflow as tf
a = tf.ones((3,4))
b = tf.ones((4,5))
c = tf.matmul(a, b)
print(c.shape)#(3,5)若增加输入矩阵的维度，操作方式如下：
from keras import backend as K
a = K.ones((2,3,4))
b = K.ones((7,4,5))
c = K.dot(a, b)
print(c.shape)#(2, 3, 7, 5)此类矩阵乘法是沿着两个矩阵的最后两个维度执行乘法运算，而非逐元素（element-wise）的矩阵乘法。
from keras import backend as K
a = K.ones((1, 2, 3 , 4))
b = K.ones((8, 7, 4, 5))
c = K.dot(a, b)
print(c.shape)#(1, 2, 3, 8, 7, 5)
Keras dot方法的来源与高维处理
Keras中的dot方法源自Theano框架的复制实现。
from keras import backend as K
a = K.ones((1, 2, 4))
b = K.ones((8, 7, 4, 5))
c = K.dot(a, b)
print(c.shape)# (1, 2, 8, 7, 5).
from keras import backend as K
a = K.ones((9, 8, 7, 4, 2))
b = K.ones((9, 8, 7, 2, 5))
c = K.batch_dot(a, b)
print(c.shape) #(9, 8, 7, 4, 5)或者采用以下调用方式：
import tensorflow as tf
a = tf.ones((9, 8, 7, 4, 2))
b = tf.ones((9, 8, 7, 2, 5))
c = tf.matmul(a, b)
print(c.shape) #(9, 8, 7, 4, 5)
以上内容为关于Keras中batch_dot、dot方法以及TensorFlow matmul的简要介绍，希望能为读者提供有价值的参考，同时也欢迎大家继续支持本站获取更多技术分享。
本站声明
本文内容仅供参考，不代表本站观点。转载或引用请注明出处。如发现内容问题，请通过联系我们页面反馈。
