tf计算矩阵维度_多维张量做tf.matmul

线性代数都学过二维矩阵的乘法，而tf.matmul还可以处理多维矩阵，比如

import tensorflow as tf
import numpy as np
a = tf.random.uniform([2, 1, 2, 3])
b = tf.random.uniform([1, 3, 3, 2])
c = tf.matmul(a, b)

c是什么呢？

先给出结论：不管几维矩阵都是先做最后两维的矩阵的乘法，再在不同维度重复多次。

多维的 tf.matmul(a, b) 的维度有如下两个要求：

1、a的axis=-1的值（~只可意会~）和b的axis=-2的值需要相等。比如上述例子中[3, 2, 3]最后的3，和[3, 3, 2]的第二个3。

2、a和b的各维度的值（除了axis=-1和-2的值），在任意维度上，都需要“相等”或“有一个是1”。

比如，[3, 2, 3]维度的张量与[3, 3, 2]维度的张量做tf.matmul的例子：

In [84]: import tensorflow as tf
    ...: import numpy as np
    ...: a = tf.random.uniform([3, 2, 3])
    ...: b = tf.random.uniform([3, 3, 2])
    ...: c = tf.matmul(a, b)
    ...: c.shape
    ...:
    ...:

Out[84]: TensorShape([3, 2, 2])

In [87]: tf.matmul(a[0],b[0])
Out[87]:
<tf.Tensor: id=374, shape=(2, 2), dtype=float32, numpy=
array([[1.4506222 , 1.323427  ],
       [0.28268352, 0.2917934 ]], dtype=float32)>

In [88]: tf.matmul(a[1],b[1])
Out[88]:
<tf.Tensor: id=383, shape=(2, 2), dtype=float32, numpy=
array([[1.0278544 , 0.4219831 ],
       [0.865297  , 0.87740964]], dtype=float32)>

In [89]: c
Out[89]:
<tf.Tensor: id=365, shape=(3, 2, 2), dtype=float32, numpy=
array([[[1.4506222 , 1.323427  ],
        [0.28268352, 0.2917934 ]],

       [[1.0278544 , 0.4219831 ],
        [0.865297  , 0.8774096 ]],

       [[0.5752927 , 0.13066964],
        [0.5343988 , 0.2741483 ]]], dtype=float32)>

可以看到，[3, 2, 3]维度的张量与[3, 3, 2]维度的张量做tf.matmul，可以理解成：

第一步，先在axis=1和2的维度上做[2, 3]维度的张量与[3, 2]维度的张量之间的二维张量的矩阵乘法，得到[2, 2]维度的结果；

第二部，然后在axis=0的维度上，分别选a的第i个和选b的第i个做上述的第一步，最终得到[3, 2，2]维度的输出。

如果，a和b的axis=0维度对不上，会bug：

In [95]: im