使用Numpy/TensorFlow中的tensordot进行多维矩阵相乘

在使用Numpy或者TensorFlow的tensordot方法进行矩阵相乘的时候，axes是一个重要的参数，它可以定义两个矩阵互乘的时候是使用内积、外积、或是其他方法。不管Numpy还是TensorFlow，它们使用tensordot的axes参数的方法是一样的，本文在举例时混用了这两个函数，千万不要被迷惑。

以TensorFlow的tensordot为例，其语法为：

tf.tensordot(
    a, b, axes, name=None
)

其中a和b为输入的两个矩阵，参数axes定义了两个矩阵如何相乘。

如设置“axes=0”的时候，就是计算a和b的外积（outer product）

设置“axes=1”的时候，就是计算a和b的内积（dot product）

在二维以下的矩阵运算时，使用以上设置就足够了，但是在多维矩阵相乘的时候，axes参数该如何设置，具体如何运算呢？

 

首先我们来看TensorFlow官方文档里的一个例子（https://www.tensorflow.org/api_docs/python/tf/tensordot）：

Example 4: Suppose that  and  represent two tensors of order 3. Then, contract(a, b, [[0], [2]]) is the order 4 tensor  whose entry corresponding to the indices (j,k,l,m) is given by: