MatrixDiagV2

दिए गए बैच किए गए विकर्ण मानों के साथ एक बैच किया हुआ विकर्ण टेंसर देता है।

`विकर्ण` में सामग्री के साथ एक टेंसर को `k[0]`-वें से `k[1]`-मैट्रिक्स के विकर्णों के रूप में लौटाता है, बाकी सब कुछ `पैडिंग` के साथ गद्देदार होता है। `num_rows` और `num_cols` आउटपुट के अंतरतम मैट्रिक्स के आयाम को निर्दिष्ट करते हैं। यदि दोनों निर्दिष्ट नहीं हैं, तो op मानता है कि अंतरतम मैट्रिक्स वर्गाकार है और इसके आकार को `k` और `विकर्ण` के अंतरतम आयाम से अनुमानित करता है। यदि उनमें से केवल एक निर्दिष्ट है, तो op मानता है कि अनिर्दिष्ट मान अन्य मानदंडों के आधार पर सबसे छोटा संभव है।

माना `विकर्ण` का `r` आयाम है [I, J, ..., L, M, N]`। आउटपुट टेंसर में रैंक है `r+1` आकार के साथ [I, J, ..., L, M, num_rows, num_cols]` जब केवल एक विकर्ण दिया जाता है (`k` एक पूर्णांक या `k [0] है == के [1]`)। अन्यथा, इसका रैंक `r` आकार `[I, J, ..., L, num_rows, num_cols]` के साथ है।

'विकर्ण' के दूसरे अंतरतम आयाम का दोहरा अर्थ है। जब `k` अदिश है या` कश्मीर [0] == कश्मीर [1] `,` m` बैच का आकार [आई, जे, ..., एम] का हिस्सा है, और उत्पादन टेन्सर है:

output[i, j, ..., l, m, n]
   = diagonal[i, j, ..., l, n-max(d_upper, 0)] ; if n - m == d_upper
     padding_value                             ; otherwise
 

( `एम = कश्मीर [1] -k [0] + 1`) अन्यथा,` m` एक ही बैच में मैट्रिक्स के लिए विकर्ण की संख्या के रूप में व्यवहार किया जाता है, और उत्पादन टेन्सर है:

output[i, j, ..., l, m, n]
   = diagonal[i, j, ..., l, diag_index, index_in_diag] ; if k[0] <= d <= k[1]
     padding_value                                     ; otherwise
 

जहां `d = n - m`, `diag_index = k[1] - d`, और `index_in_diag = n - max(d, 0)`।

उदाहरण के लिए:

# The main diagonal.
 diagonal = np.array([[1, 2, 3, 4],            # Input shape: (2, 4)
                      [5, 6, 7, 8]])
 tf.matrix_diag(diagonal) ==> [[[1, 0, 0, 0],  # Output shape: (2, 4, 4)
                                [0, 2, 0, 0],
                                [0, 0, 3, 0],
                                [0, 0, 0, 4]],
                               [[5, 0, 0, 0],
                                [0, 6, 0, 0],
                                [0, 0, 7, 0],
                                [0, 0, 0, 8]]]
 
 # A superdiagonal (per batch).
 diagonal = np.array([[1, 2, 3],  # Input shape: (2, 3)
                      [4, 5, 6]])
 tf.matrix_diag(diagonal, k = 1)
   ==> [[[0, 1, 0, 0],  # Output shape: (2, 4, 4)
         [0, 0, 2, 0],
         [0, 0, 0, 3],
         [0, 0, 0, 0]],
        [[0, 4, 0, 0],
         [0, 0, 5, 0],
         [0, 0, 0, 6],
         [0, 0, 0, 0]]]
 
 # A band of diagonals.
 diagonals = np.array([[[1, 2, 3],  # Input shape: (2, 2, 3)
                        [4, 5, 0]],
                       [[6, 7, 9],
                        [9, 1, 0]]])
 tf.matrix_diag(diagonals, k = (-1, 0))
   ==> [[[1, 0, 0],  # Output shape: (2, 3, 3)
         [4, 2, 0],
         [0, 5, 3]],
        [[6, 0, 0],
         [9, 7, 0],
         [0, 1, 9]]]
 
 # Rectangular matrix.
 diagonal = np.array([1, 2])  # Input shape: (2)
 tf.matrix_diag(diagonal, k = -1, num_rows = 3, num_cols = 4)
   ==> [[0, 0, 0, 0],  # Output shape: (3, 4)
        [1, 0, 0, 0],
        [0, 2, 0, 0]]
 
 # Rectangular matrix with inferred num_cols and padding_value = 9.
 tf.matrix_diag(diagonal, k = -1, num_rows = 3, padding_value = 9)
   ==> [[9, 9],  # Output shape: (3, 2)
        [1, 9],
        [9, 2]]