如何计算张量 A 沿轴的加权平均值，权重由张量流中的张量 B 指定？
How to compute weighted average of tensor A along an axis with weights specified by tensor B in tensorflow?
我正在尝试对 RNN 输出应用加权平均方案。
RNN 输出由维度为 (a,b,c).
的张量 A 表示
我可以简单地使用 tf.reduce_mean(A,axis=1) 来获得维度 (a,c) 的张量 C。
但是，我想沿着 axis = 1 对张量 A 进行 "weighted average"。
权重在具有维度 (d,b) 的矩阵 B 中指定。
对于d = 1，我可以tf.tensordot(A,B,[1,1])得到维度(a,c)的结果。
现在 d=a，我无法计算加权平均值。
有人可以提出解决方案吗？
我不太明白为什么 B 应该有维度 (d,b)。如果 B 包含仅在一个维度上对 A 进行加权平均的权重，则 B 只需是向量 (b,)，而不是矩阵。
如果B是一个向量，你可以这样做：
C = tf.tensordot(A,B,[1,0]) 以获得形状 (a,c) 的矢量 C，其中包含使用 axis=1 中指定的权重 A 的加权平均值=12=].
更新：
您可以这样做：
A = A*B[:,:,None]
正在对 A 和 B 进行逐元素乘法运算，其中 B 存储赋予 A 中每个元素的权重。
那么：
C = tf.reduce_mean(A,axis=1)
将进行加权平均，因为 A 中的每个元素都已乘以其权重。
因为B已经归一化了，所以答案是
tf.reduce_sum(A * B[:, :, None], axis=1)
使用 None 建立索引会添加一个新维度，这是从 numpy 继承的行为。B[:,:, None] 添加最后一个维度，因此结果的形状为 (a, b, 1)。您可以使用 tf.expand_dims 实现相同的目的，
的名称可能对您更有意义。
A 的形状为 (a, b, c) 而 B[:, :, None] 的形状为 (a, b, 1)。当它们相乘时，展开的 B 也将被视为具有形状 (a, b, c)，最后一个维度是相同值的 c 个副本。这叫做broadcasting.
由于广播的工作原理，如果 B 的形状为 (1, b)。
，同样的答案也适用
我正在尝试对 RNN 输出应用加权平均方案。
RNN 输出由维度为 (a,b,c).
的张量 A 表示
我可以简单地使用 tf.reduce_mean(A,axis=1) 来获得维度 (a,c) 的张量 C。
但是，我想沿着 axis = 1 对张量 A 进行 "weighted average"。
权重在具有维度 (d,b) 的矩阵 B 中指定。
对于d = 1，我可以tf.tensordot(A,B,[1,1])得到维度(a,c)的结果。
现在 d=a，我无法计算加权平均值。
有人可以提出解决方案吗？
我不太明白为什么 B 应该有维度 (d,b)。如果 B 包含仅在一个维度上对 A 进行加权平均的权重，则 B 只需是向量 (b,)，而不是矩阵。
如果B是一个向量，你可以这样做：
C = tf.tensordot(A,B,[1,0]) 以获得形状 (a,c) 的矢量 C，其中包含使用 axis=1 中指定的权重 A 的加权平均值=12=].
更新：
您可以这样做：
A = A*B[:,:,None]
正在对 A 和 B 进行逐元素乘法运算，其中 B 存储赋予 A 中每个元素的权重。
那么：
C = tf.reduce_mean(A,axis=1)
将进行加权平均，因为 A 中的每个元素都已乘以其权重。
因为B已经归一化了，所以答案是
tf.reduce_sum(A * B[:, :, None], axis=1)
使用 None 建立索引会添加一个新维度，这是从 numpy 继承的行为。B[:,:, None] 添加最后一个维度，因此结果的形状为 (a, b, 1)。您可以使用 tf.expand_dims 实现相同的目的，
A 的形状为 (a, b, c) 而 B[:, :, None] 的形状为 (a, b, 1)。当它们相乘时，展开的 B 也将被视为具有形状 (a, b, c)，最后一个维度是相同值的 c 个副本。这叫做broadcasting.
由于广播的工作原理，如果 B 的形状为 (1, b)。