在TensorFlow文档中是否正确描述了有效的`tf.matmul`参数？ [英] Are valid `tf.matmul` arguments described correctly in the TensorFlow documentation?

问题描述

也许我对内在和外部张量维数感到困惑，但 tf.matmul 的文档难以理解：

Maybe I'm confused about what "inner" and "outer" tensor dimensions are, but the documentation for tf.matmul puzzles me:

输入必须是矩阵（或秩> 2的张量，代表
批次的矩阵），具有匹配的内部维度，可能在
之后转换。

The inputs must be matrices (or tensors of rank > 2, representing batches of matrices), with matching inner dimensions, possibly after transposition.

R-rank参数是否需要匹配（或不）R-2外部尺寸，和（如在正常矩阵乘法中）Rth，第一个参数的内部维数必须与第二个参数的R-1st维度相匹配。也就是说，在

Isn't it the case that R-rank arguments need to have matching (or no) R-2 outer dimensions, and that (as in normal matrix multiplication) the Rth, inner dimension of the first argument must match the R-1st dimension of the second. That is, in

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 a，...，z 必须与 a'，...，z'（或不存在）和 x 和 x'必须匹配（而 p 和 q 可以可以是任何东西）

The outer dimensions a, ..., z must be identical to a', ..., z' (or not exist), and x and x' must match (while p and q can be anything).

或者换句话说，文档不应该说：

Or put another way, shouldn't the docs say:

在任何转换之后，输入必须是等级≥2的张量，其中内部2维度指定有效的矩阵乘数参数，并且任何其他外部维度匹配。

The inputs must, following any transpositions, be tensors of rank ≥ 2 where the inner 2 dimensions specify valid matrix multiplication arguments, and any further outer dimensions match.

推荐答案

这是 fixed在最近的合并中。文件现在将显示为：

This has been fixed in a recent merge. The documentation will now read:

输入必须在任何转换之后成为rank> = 2
的张量，其中内部2维指定有效矩阵乘数
参数，任何其他外部维度匹配。

The inputs must, following any transpositions, be tensors of rank >= 2 where the inner 2 dimensions specify valid matrix multiplication arguments, and any further outer dimensions match.

这篇关于在TensorFlow文档中是否正确描述了有效的`tf.matmul`参数？的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！