Keras K.batch_dot解释

K.batch_dot

K.batch_dot是一个Batchwise dot，使用的范围就是两个data in batches，通常的shape (batch_size,:)
函数定义 batch_dot(x, y, axes=None)
注意：batch_size 是不参与矩阵运算的，如果除了batch这个维度，只有一个维度，则会自动补一个维度
axes指定两个数据矩阵相乘的维度，axes里提供的两个data的维度对应的数值是相同的，这也是矩阵相乘的基本条件。举几个源码里的例子
x = [[1, 2], [3, 4]] and y = [[5, 6], [7, 8]]
batch_dot(x, y, axes=1) = [[17], [53]]怎么理解呢，x和y的维度都是(2,2)，axes=1表示x和y都是维度1参与矩阵计算
首先batch不参与运算，则剩下第二个维度(,2)，我们expand_dims到(1,2)，则剩下两个维度x.dot(y.T) = (1,2).dot((1,2).T)运算结果维度(1,1)，加上batch的维度(2,1) 计算维度的过程可以这样理解哈
同样的
x=(100, 20) 和y =(100, 30, 20)
K.dot(x,y,(1,2))的结果维度(100,30)

再一个例子：

x_batch = K.ones(shape=(32, 20, 1))
y_batch = K.ones(shape=(32, 30, 20))
xy_batch_dot = K.batch_dot(x_batch, y_batch, axes=(1, 2))
K.int_shape(xy_batch_dot)

(32,1,30)
但是，不知道是改了函数，现在的batch_dot矩阵相乘，前面的维度是分别做矩阵乘法的，这个跟我们通常的用处貌似不符合。

a = K.ones((9, 8, 7, 4, 2))
b = K.ones((9, 8, 7, 2, 5))
c = K.batch_dot(a, b, (4,3))
print(K.int_shape(c))  
(9, 8, 7, 4, 8, 7, 5)

但是tf.linalg.matmul是只乘最后两个维度的，那这里我们就要保证前面的维度相同。

a = K.ones((9, 8, 7, 4, 2))
b = K.ones((9, 8, 7, 2, 5))
c = tf.linalg.matmul(a,b)
print(K.int_shape(c))  
(9, 8, 7, 4, 5)