TensorFlow多维张量乘法计算原理与实例解析

慢慢来

发布时间：2026-10-13| 5人浏览过

原创

本文深入解析TensorFlow中多维张量的乘法运算机制。通过具体代码实例，展示如何处理形状为(2, 2, 3)与(2, 3, 2)的三维矩阵，以及更高维度的张量计算。重点说明TensorFlow将前置维度视为Batch，仅对最后两维执行标准矩阵乘法的规则，帮助开发者准确掌握高维数据处理的实现细节。

TensorFlow多维张量乘法机制解析

在进行两个三维矩阵的乘法运算时，具体计算逻辑是怎样的？通过实验观察发现，TensorFlow框架会将张量中除最后两维之外的所有前置维度视为Batch（批次）维度，并仅对最后两维执行标准的矩阵乘法操作。这意味着，参与运算的两个张量，其最后两维之前的所有维度必须保持一致，才能进行有效的批量计算。

三维矩阵乘法实例演示

首先，我们构建一个具体的计算场景：计算形状为(2, 2, 3)的张量与形状为(2, 3, 2)的张量之间的乘积。


import tensorflow as tf
import numpy as np
a = tf.constant(np.arange(1, 13, dtype=np.float32), shape=[2, 2, 3])
b = tf.constant(np.arange(1, 13, dtype=np.float32), shape=[2, 3, 2])
c = tf.matmul(a, b)
# c = tf.matmul(a, b)
sess = tf.Session()
print("a*b = ", sess.run(c))
c1 = tf.matmul(a[0, :, :], b[0, :, :])
print("a[1]*b[1] = ", sess.run(c1))

具体的运行结果如下所示：

从上述计算结果可以明确看出，两个三维矩阵相乘时，系统是对应位置上的最后两个维度矩阵执行乘法运算，而前置的Batch维度则被保留并对应处理。

高维张量乘法验证

为了进一步验证该机制，我们对更高维度的张量乘法进行测试：


import tensorflow as tf
import numpy as np
a = tf.constant(np.arange(1, 36, dtype=np.float32), shape=[3, 2, 2, 3])
b = tf.constant(np.arange(1, 36, dtype=np.float32), shape=[3, 2, 3, 2])
c = tf.matmul(a, b)
# c = tf.matmul(a, b)
sess = tf.Session()
print("a*b = ", sess.run(c))
c1 = tf.matmul(a[0, 0, :, :], b[0, 0, :, :])
print("a[1]*b[1] = ", sess.run(c1))

相应的运行结果如下：