Tensordot詳解：從多個角度深入理解

一、tensordot概述

tensordot是一種numpy中的數學函數，它旨在實現高維張量的乘法操作。在實際深度學習的應用中，特別是卷積神經網絡中，tensordot是一項核心技術，因此學習如何使用它是至關重要的。

tensordot最基本的使用形式為：np.tensordot(a, b, axes)，其中a和b都是具有多個軸的張量。在這個基本形式中，tensordot將a和b中的軸進行匹配，然後對它們進行乘法操作，最終返回一個新的張量c。

import numpy as np

a = np.random.rand(3, 4, 5)
b = np.random.rand(4, 5, 6)

c = np.tensordot(a, b, axes=([1, 2], [0, 1]))
print(c.shape)  # 輸出(3, 6)

在此示例中，我們定義了兩個張量a和b，分別是shape為(3, 4, 5)和shape為(4, 5, 6)的張量。我們對a的最後兩個維度(4和5)和b的第一二個維度(4和5)進行了匹配，然後執行了張量相乘，得到了一個新的張量c，它的shape為(3,6)。

二、理解tensordot的axes參數

tensordot的axes參數用於指定張量a和張量b的維度匹配方式。在基本形式中，它採用了默認值，即axes=2，它會從a和b中的最後兩個維度開始匹配兩個張量，並輸出其他維度的乘積。實際上，axes接受一個元組(x,y)，其中x和y都是張量的維度，表示我們要將a的第x個維度和b的第y個維度進行匹配。因此，當我們將axes設置為([1, 2], [0, 1])時，它將從a和b中的第1和第2個維度開始匹配，並輸出其他維度的乘積。

下面通過一個更高級的例子，來進一步理解axes參數的作用。

import numpy as np

a = np.random.rand(3,4,5)
b = np.random.rand(4,5,6)

c = np.tensordot(a,b,axes=([1], [0]))
print(c.shape)  # 輸出(3,6,6)

在此示例中，我們設置了axes=([1], [0])，這意味着我們要從a的第1個維度開始匹配，從b的第0個維度開始匹配。此時，a的第1個維度大小為4，b的第0個維度的大小也為4，因此，這種匹配方式是合法的。然後，我們執行[a[:,i,:] * b[i,:,:] for i in range(4)]操作，將這些張量相加，得到一個新的張量，它的shape為(3,6,6)。

三、tensordot的高級操作

在深度學習中，tensordot還有很多高級用法。

1. tensordot的broadcasting行為

tensordot類似於廣播操作，它可以自動擴展輸入張量的形狀，以適應要執行的操作。因此，我們可以使用不同形狀的張量來執行tensordot操作，根據axes參數的設置，可以自動調整張量的形狀，以執行正確的操作。

import numpy as np

x = np.random.rand(2, 3)
y = np.random.rand(3, 4, 5)

z = np.tensordot(x, y, axes=(1, 0))
print(z.shape)  # 輸出(2,4,5)

在本例中，我們定義了一個形狀為(2,3)的張量x，和一個形狀為(3,4,5)的張量y。我們設置axes=(1,0)，這意味着通過將x的第1個維度與y的第0個維度相匹配並相乘來計算tensordot。x的第1個維度大小為3，與y的第0個維度的大小相同，因此它們能正確匹配。我們得到的新張量的形狀是(2,4,5)。

2. tensordot的reshape操作

在某些情況下，我們需要將張量的維度進行重新排列，以使它們可以在tensordot操作中正確匹配。這個過程在numpy中的實現非常簡單，我們可以使用reshape函數來輕鬆地重塑張量的形狀。

import numpy as np

a = np.random.rand(3, 4, 5)
b = np.random.rand(4, 5, 6)

a = np.reshape(a, (3, 20))
b = np.reshape(b, (20, 6))

c = np.tensordot(a, b, axes=1)
print(c.shape)  # 輸出(3,6)

在此示例中，我們定義了兩個張量a和b，分別是形狀為(3, 4, 5)和(4, 5, 6)的張量。然後，我們使用reshape函數將張量a和b的形狀分別改變為(3,20)和(20,6)，這使它們可以正確匹配，進行tensordot操作。我們得到的新張量的形狀是(3,6)。

3. tensordot的內積實現

tensordot還可以用於計算內積。對於兩個形狀都為(N,)的張量，它們的內積可以通過tensordot來計算。

import numpy as np

x = np.random.rand(3)
y = np.random.rand(3)

ip = np.tensordot(x,y,axes=0)
print(ip)  # 輸出單個實數

在此示例中，我們定義了兩個為(3,)形張量x和y。我們將axes設置為0，這意味着我們要計算兩個張量的內積，即[sum(x[i]*y[i])]，得到的結果是一個單個的實數。

四、總結

tensordot是numpy中的一種高級操作，可用於計算張量的乘法。在深度學習中，tensordot是卷積神經網絡的核心技術之一。通過本文，我們深入理解了numpy中tensordot的基本用法和高級用法。可以根據具體的需求來選擇合適的axes參數，輕鬆實現高維張量的乘法操作。