tensorflow中向量与矩阵相乘

         我们只当使用tensorflow的tf.matmul()可以进行矩阵间的运算，但是要求矩阵的每一个维度的长度都要大于2，假如我们进行向量与矩阵的乘法时，使用该函数，则会报错。

          具体地，我们使用一个2为的向量乘以一个2×2的矩阵：

import tensorflow as tf
a = tf.constant([2, 3])
b = tf.constant([[0, 1], [2, 3]])
c = tf.matmul(a, b)
with tf.Session() as sess:
     print(sess.run(c))

会报错：

ValueError: Shape must be rank 2 but is rank 1 for 'MatMul_11' (op: 'MatMul') with input shapes: [2], [2,2].

那如何实现向量与矩阵相乘呢？

         我们知道矩阵乘法的本质是对矩阵的向量进行线性组合，利用这个性质，我们可以对矩阵进行点乘再相加，从实现向量与矩阵的乘法。具体如下

1、矩阵×向量

 [[0, 1],      [2,
 [2, 3]]   ×    3] 

具体代码实现：

import tensorflow as tf
a = tf.constant([2, 3])
b = tf.constant([[0, 1], [2, 3]])
mul =tf.reduce_sum(tf.multiply(a, b), reduction_indices=1)
with tf.Session() as sess:
     print(sess.run(mul))

结果是：

[ 3 13]

2、向量×矩阵

   [2, 3]  ×  [[0, 1],      
              [2, 3]]     

这个时候需要将矩阵进行转置，然后在进行点乘，再横向相加

具体代码如下：

import tensorflow as tf
a = tf.constant([2, 3])
b = tf.constant([[0, 1], [2, 3]])
mul =tf.reduce_sum(tf.multiply(a, tf.transpose(b, perm=[1, 0])), reduction_indices=1)
with tf.Session() as sess:
     print(sess.run(mul))

结果：

[ 6 11]