Jawaban:
Tidak ada .dot_product
metode asli . Namun, produk titik antara dua vektor hanyalah elemen-bijaksana dikalikan, jadi contoh berikut berfungsi:
import tensorflow as tf
# Arbitrarity, we'll use placeholders and allow batch size to vary,
# but fix vector dimensions.
# You can change this as you see fit
a = tf.placeholder(tf.float32, shape=(None, 3))
b = tf.placeholder(tf.float32, shape=(None, 3))
c = tf.reduce_sum( tf.multiply( a, b ), 1, keep_dims=True )
with tf.Session() as session:
print( c.eval(
feed_dict={ a: [[1,2,3],[4,5,6]], b: [[2,3,4],[5,6,7]] }
) )
Outputnya adalah:
[[ 20.]
[ 92.]]
Pilihan lain yang patut dicoba adalah [tf.einsum][1]
- ini pada dasarnya versi sederhana dari Notasi Einstein .
Mengikuti bersama dengan contoh Neil dan Dumkar:
import tensorflow as tf
a = tf.placeholder(tf.float32, shape=(None, 3))
b = tf.placeholder(tf.float32, shape=(None, 3))
c = tf.einsum('ij,ij->i', a, b)
with tf.Session() as session:
print( c.eval(
feed_dict={ a: [[1,2,3],[4,5,6]], b: [[2,3,4],[5,6,7]] }
) )
Argumen pertama einsum
adalah persamaan yang mewakili sumbu yang akan dikalikan dan dijumlahkan. Aturan dasar untuk persamaan adalah:
Dalam kasus kami, ij,ij->i
berarti bahwa input kami akan menjadi 2 matriks dengan bentuk yang sama (i,j)
, dan output kami akan menjadi vektor bentuk (i,)
.
Setelah Anda menguasainya, Anda akan menemukan bahwa einsum
menyamaratakan sejumlah besar operasi lain:
X = [[1, 2]]
Y = [[3, 4], [5, 6]]
einsum('ab->ba', X) == [[1],[2]] # transpose
einsum('ab->a', X) == [3] # sum over last dimension
einsum('ab->', X) == 3 # sum over both dimensions
einsum('ab,bc->ac', X, Y) == [[13,16]] # matrix multiply
einsum('ab,bc->abc', X, Y) == [[[3,4],[10,12]]] # multiply and broadcast
Sayangnya, einsum
mengambil hit kinerja yang lumayan besar jika dibandingkan dengan + mengalikan manual. Di mana kinerja sangat penting, saya pasti akan merekomendasikan tetap dengan solusi Neil.
Mengambil diagonal tf.tensordot juga melakukan apa yang Anda inginkan, jika Anda menetapkan sumbu ke misalnya
[[1], [1]]
Saya telah mengadaptasi contoh Neil Slater:
import tensorflow as tf
# Arbitrarity, we'll use placeholders and allow batch size to vary,
# but fix vector dimensions.
# You can change this as you see fit
a = tf.placeholder(tf.float32, shape=(None, 3))
b = tf.placeholder(tf.float32, shape=(None, 3))
c = tf.diag_part(tf.tensordot( a, b, axes=[[1],[1]]))
with tf.Session() as session:
print( c.eval(
feed_dict={ a: [[1,2,3],[4,5,6]], b: [[2,3,4],[5,6,7]] }
) )
yang sekarang juga memberi:
[ 20. 92.]
Ini mungkin suboptimal untuk matriks besar (lihat diskusi di sini )
reduce_sum
)