python tensorflow dot-product

python - Producto puntual de dos vectores en tensorflow.



dot-product (10)

Solo usa * y reduce_sum

ab = tf.reduce_sum(a*b)

Tome un ejemplo simple de la siguiente manera:

import tensorflow as tf a = tf.constant([1,2,3]) b = tf.constant([2,3,4]) print(a.get_shape()) print(b.get_shape()) c = a*b ab = tf.reduce_sum(c) with tf.Session() as sess: print(c.eval()) print(ab.eval()) # output # (3,) # (3,) # [2 6 12] # 20

Me preguntaba si hay una manera fácil de calcular el producto de punto de dos vectores (es decir, tensores 1-d) y devolver un valor escalar en tensorflow.

Dado dos vectores X = (x1, ..., xn) e Y = (y1, ..., yn), el producto punto es un punto (X, Y) = x1 * y1 + ... + xn * yn

Sé que es posible lograr esto transmitiendo primero los vectores X e Y a un tensor 2-d y luego usando tf.matmul. Sin embargo, el resultado es una matriz, y estoy después de un escalar.

¿Hay un operador como tf.matmul que sea específico de vectores?


Además de tf.reduce_sum(tf.multiply(x, y)) , también puede hacer tf.matmul(x, tf.reshape(y, [-1, 1])) .


En las versiones más nuevas (creo que desde 0.12), deberías poder hacer

tf.einsum(''i,i->'', x, y)

( Antes de eso , la reducción a un escalar parecía no ser permitida / posible).


Puedes hacer tf.mul (x, y), seguido de tf.reduce_sum ()


Supongamos que tiene dos vectores de columna

u = tf.constant([[2.], [3.]]) v = tf.constant([[5.], [7.]])

Si quieres una matriz 1x1 puedes usar

tf.einsum(''ij,ik->jk'',x,y)

Si estás interesado en un escalar puedes usar

tf.einsum(''ij,ik->'',x,y)


Tal vez con los nuevos documentos, simplemente puede establecer la opción de transposición en true para el primer argumento del producto de puntos o el segundo argumento:

tf.matmul(a, b, transpose_a=False, transpose_b=False, adjoint_a=False, adjoint_b=False, a_is_sparse=False, b_is_sparse=False, name=None)

líder:

tf.matmul(a, b, transpose_a=True, transpose_b=False) tf.matmul(a, b, transpose_a=False, transpose_b=True)


puedes usar tf.matmul y tf.transpose

tf.matmul(x,tf.transpose(y))

o

tf.matmul(tf.transpose(x),y)

Dependiendo de las dimensiones de x y y


Una de las formas más fáciles de calcular el producto de punto entre dos tensores (el vector es el tensor 1D) es usar tf.tensordot

a = tf.placeholder(tf.float32, shape=(5)) b = tf.placeholder(tf.float32, shape=(5)) dot_a_b = tf.tensordot(a, b, 1) with tf.Session() as sess: print(dot_a_b.eval(feed_dict={a: [1, 2, 3, 4, 5], b: [6, 7, 8, 9, 10]})) # results: 130.0


#You have to import numpy and the vectors should be written as python arrays import numpy as np # construct two vectors a and b a =(1,2), b=(3,4) a = np.array([1, 2]) b = np.array([3, 4]) #calculate the dot product np.dot(a, b) # as simple as that ;)


import tensorflow as tf x = tf.Variable([1, -2, 3], tf.float32, name=''x'') y = tf.Variable([-1, 2, -3], tf.float32, name=''y'') dot_product = tf.reduce_sum(tf.multiply(x, y)) sess = tf.InteractiveSession() init_op = tf.global_variables_initializer() sess.run(init_op) dot_product.eval() Out[46]: -14

Aquí, xey son ambos vectores. Podemos hacer un producto inteligente y luego usar tf.reduce_sum para sumar los elementos del vector resultante. Esta solución es fácil de leer y no requiere remodelación.

Curiosamente, no parece que haya un operador de producto de punto integrado en los docs .

Tenga en cuenta que puede verificar fácilmente los pasos intermedios:

In [48]: tf.multiply(x, y).eval() Out[48]: array([-1, -4, -9], dtype=int32)