MatrixDiagPartV3

قسمت مورب دسته بندی شده یک تانسور دسته بندی شده را برمی گرداند.

تانسوری را با قطرهای «k[0]»-th به «k[1]»-امین «ورودی» دسته‌ای برمی‌گرداند.

فرض کنید «ورودی» دارای ابعاد «r» است «[I، J، ...، L، M، N]». اجازه دهید «max_diag_len» حداکثر طول در بین تمام قطرهایی باشد که باید استخراج شوند، «max_diag_len = min(M + min(k[1], 0)، N + min(-k[0], 0))» اجازه دهید «num_diags» تعداد قطرهایی که باید استخراج شود، "num_diags = k[1] - k[0] + 1" باشد.

اگر `num_diags == 1`، تانسور خروجی است از رتبه` R - 1` با شکل `[I، J، ...، L، max_diag_len]` و ارزش:

diagonal[i, j, ..., l, n]
   = input[i, j, ..., l, n+y, n+x] ; if 0 <= n+y < M and 0 <= n+x < N,
     padding_value                 ; otherwise.
 

که در آن `و y = حداکثر (-k [1]، 0)`، «x = max(k[1]، 0)».

در غیر این صورت، تانسور خروجی رتبه `r` با ابعاد` [I، J، ...، L، num_diags، max_diag_len] `با ارزش:

diagonal[i, j, ..., l, m, n]
   = input[i, j, ..., l, n+y, n+x] ; if 0 <= n+y < M and 0 <= n+x < N,
     padding_value                 ; otherwise.
 

که در آن` د = K [1] - m`، `= Y max(-d, 0) - offset` و `x = max(d, 0) - offset`.

"offset" صفر است مگر زمانی که تراز مورب به سمت راست باشد.

offset = max_diag_len - diag_len(d) ; if (`align` in {RIGHT_LEFT, RIGHT_RIGHT
                                            and `d >= 0`) or
                                          (`align` in {LEFT_RIGHT, RIGHT_RIGHT}
                                            and `d <= 0`)
          0                          ; otherwise
 }

که در آن `diag_len (D) = MIN (گذرگاه - حداکثر (د، 0)، ردیف + دقیقه (د، 0))`.

ورودی باید حداقل یک ماتریس باشد.

به عنوان مثال:

input = np.array([[[1, 2, 3, 4],  # Input shape: (2, 3, 4)
                    [5, 6, 7, 8],
                    [9, 8, 7, 6]],
                   [[5, 4, 3, 2],
                    [1, 2, 3, 4],
                    [5, 6, 7, 8]]])
 
 # A main diagonal from each batch.
 tf.matrix_diag_part(input) ==> [[1, 6, 7],  # Output shape: (2, 3)
                                 [5, 2, 7]]
 
 # A superdiagonal from each batch.
 tf.matrix_diag_part(input, k = 1)
   ==> [[2, 7, 6],  # Output shape: (2, 3)
        [4, 3, 8]]
 
 # A band from each batch.
 tf.matrix_diag_part(input, k = (-1, 2))
   ==> [[[0, 3, 8],  # Output shape: (2, 4, 3)
         [2, 7, 6],
         [1, 6, 7],
         [5, 8, 0]],
        [[0, 3, 4],
         [4, 3, 8],
         [5, 2, 7],
         [1, 6, 0]]]
 
 # LEFT_RIGHT alignment.
 tf.matrix_diag_part(input, k = (-1, 2), align="LEFT_RIGHT")
   ==> [[[3, 8, 0],  # Output shape: (2, 4, 3)
         [2, 7, 6],
         [1, 6, 7],
         [0, 5, 8]],
        [[3, 4, 0],
         [4, 3, 8],
         [5, 2, 7],
         [0, 1, 6]]]
 
 # max_diag_len can be shorter than the main diagonal.
 tf.matrix_diag_part(input, k = (-2, -1))
   ==> [[[5, 8],
         [9, 0]],
        [[1, 6],
         [5, 0]]]
 
 # padding_value = 9
 tf.matrix_diag_part(input, k = (1, 3), padding_value = 9)
   ==> [[[9, 9, 4],  # Output shape: (2, 3, 3)
         [9, 3, 8],
         [2, 7, 6]],
        [[9, 9, 2],
         [9, 3, 4],
         [4, 3, 8]]]