tensorflow报错:Shape must be rank 2 but is rank 3 for 'MatMul' (op: 'MatMul')

tensorflow矩阵相乘，秩不同报错

在tensorflow中写了这样一句：

[python] view plain copy

print?

1. y_out = tf.matmul(outputs, W)  

y_out = tf.matmul(outputs, W)

其中，outputs的shape为[16,336,400]，W的shape为[400,1]

出现以下报错：

Shape must be rank 2 but is rank 3 for ‘MatMul’ (op: ‘MatMul’) with input shapes: [16,336,400], [400,1].

Numpy下同样的写法没有问题

[python] view plain copy

print?

1. import numpy as np  
2.   
3. A = np.array([[[1, 2, 3, 4],  
4.         [5, 6, 7, 8],  
5.         [9, 0, 1, 2]],  
6.         [[4, 3, 2, 1],  
7.         [8, 7, 6, 5],  
8.                [2, 1, 0, 9]]])  
9. print(A)  
10. print(A.shape)  
11. print(‘—————————’)  
12.   
13. B = np.array([[1], [2], [3], [4]])  
14. print(B)  
15. print(B.shape)  
16. print(‘—————————’)  
17.   
18. C = np.matmul(A, B)  
19. print(C)  
20. print(C.shape)  

import numpy as npA = np.array([[[1, 2, 3, 4],        [5, 6, 7, 8],        [9, 0, 1, 2]],        [[4, 3, 2, 1],        [8, 7, 6, 5],               [2, 1, 0, 9]]])print(A)print(A.shape)print('---------------------------')B = np.array([[1], [2], [3], [4]])print(B)print(B.shape)print('---------------------------')C = np.matmul(A, B)print(C)print(C.shape)

输出结果：

[python] view plain copy

print?

1. [[[1 2 3 4]  
2.   [5 6 7 8]  
3.   [9 0 1 2]]  
4.   
5.  [[4 3 2 1]  
6.   [8 7 6 5]  
7.   [2 1 0 9]]]  
8. (2, 3, 4)  
9. —————————  
10. [[1]  
11.  [2]  
12.  [3]  
13.  [4]]  
14. (4, 1)  
15. —————————  
16. [[[30]  
17.   [70]  
18.   [20]]  
19.   
20.  [[20]  
21.   [60]  
22.   [40]]]  
23. (2, 3, 1)  

[[[1 2 3 4]  [5 6 7 8]  [9 0 1 2]] [[4 3 2 1]  [8 7 6 5]  [2 1 0 9]]]

(2, 3, 4)---------------------------[[1] [2] [3] [4]](4, 1)---------------------------[[[30] [70] [20]] [[20] [60] [40]]](2, 3, 1)

解决办法

[python] view plain copy

print?

1. import numpy as np  
2. import tensorflow as tf  
3. sess = tf.Session()  
4.   
5. A = np.array([[[1, 2, 3, 4],  
6.                [5, 6, 7, 8],  
7.                [9, 0, 1, 2]],  
8.               [[4, 3, 2, 1],  
9.                [8, 7, 6, 5],  
10.                [2, 1, 0, 9]]])  
11. B = np.array([[1], [2], [3], [4]])  
12.   
13. A = tf.cast(tf.convert_to_tensor(A), tf.int32) # shape=[2, 3, 4]  
14. B = tf.cast(tf.convert_to_tensor(B), tf.int32) # shape=[4, 1]  
15.   
16. #—————————————–修改部分（开始）—————————————–  
17. #要想让A和B进行tf.matmul操作，第一个维数必须一致。因此要把B先tile后转成[2, 4, 1]维  
18. B_ = tf.tile(B, [2, 1])# B的第一维复制2倍，第二维复制1倍  
19. B = tf.reshape(B_, [2, 4, 1])  
20. # 或 更通用的改法：  
21. #B_ = tf.tile(B, [tf.shape(A)[0], 1])  
22. #B = tf.reshape(B_, [tf.shape(A)[0], tf.shape(B)[0], tf.shape(B)[1]])  
23. #—————————————–修改部分（结束）—————————————–  
24.   
25. #此时就可以matmul了  
26. C = tf.matmul(A, B)  
27. print(‘C:’,C.get_shape().as_list())  
28. sess.run(C)  

import numpy as npimport tensorflow as tfsess = tf.Session()A = np.array([[[1, 2, 3, 4],               [5, 6, 7, 8],               [9, 0, 1, 2]],              [[4, 3, 2, 1],               [8, 7, 6, 5],               [2, 1, 0, 9]]])B = np.array([[1], [2], [3], [4]])A = tf.cast(tf.convert_to_tensor(A), tf.int32) # shape=[2, 3, 4]B = tf.cast(tf.convert_to_tensor(B), tf.int32) # shape=[4, 1]

#-----------------------------------------修改部分（开始）-----------------------------------------#要想让A和B进行tf.matmul操作，第一个维数必须一致。因此要把B先tile后转成[2, 4, 1]维B_ = tf.tile(B, [2, 1])# B的第一维复制2倍，第二维复制1倍B = tf.reshape(B_, [2, 4, 1])# 或 更通用的改法：#B_ = tf.tile(B, [tf.shape(A)[0], 1])#B = tf.reshape(B_, [tf.shape(A)[0], tf.shape(B)[0], tf.shape(B)[1]])#-----------------------------------------修改部分（结束）-----------------------------------------#此时就可以matmul了C = tf.matmul(A, B)print(‘C:’,C.get_shape().as_list())sess.run(C)

输出结果：

[python] view plain copy

print?

1. (‘C:’, [2, 3, 1])  
2.   
3. array([[[30],  
4.         [70],  
5.         [20]],  
6.   
7.        [[20],  
8.         [60],  
9.         [40]]], dtype=int32)  

('C:', [2, 3, 1])array([[[30],        [70],        [20]],       [[20],        [60],        [40]]], dtype=int32)

转自博客：http://blog.csdn.net/blythe0107/article/details/74171870