ScatterNdNonAliasingAdd

ใช้การเพิ่มเติมแบบกระจายกับ "อินพุต" โดยใช้ค่าเดี่ยวๆ หรือการแบ่งส่วน

จาก `อัปเดต` ตามดัชนี `ดัชนี` การอัปเดตไม่ใช่นามแฝง: `อินพุต` จะได้รับการแก้ไขเฉพาะในกรณีที่ไม่มีการดำเนินการอื่นใดที่จะใช้ มิฉะนั้น จะมีการทำสำเนาของ `อินพุต` การดำเนินการนี้มีการไล่ระดับสีตามทั้ง "อินพุต" และ "การอัปเดต"

`input` คือ 'Tensor' ที่มีอันดับ 'P' และ 'indices' คือ 'Tensor' ของอันดับ 'Q'

"ดัชนี" ต้องเป็นเทนเซอร์จำนวนเต็ม ซึ่งมีดัชนีอยู่ใน "อินพุต" มันจะต้องเป็นรูปเป็นร่าง \\([d_0, ..., d_{Q-2}, K]\\) โดยที่ `0 < K <= P`

มิติในสุดของ `ดัชนี` (ที่มีความยาว `K`) สอดคล้องกับดัชนีในองค์ประกอบต่างๆ (หาก `K = P`) หรือส่วนแบ่งมิติ `(PK)` (หาก `K < P`) ตามแนว `K`th มิติของ 'อินพุต'

`updates` คือ `Tensor` ของอันดับ `Q-1+PK` ที่มีรูปร่าง:

$$[d_0, ..., d_{Q-2}, input.shape[K], ..., input.shape[P-1]].$$

ตัวอย่างเช่น สมมติว่าเราต้องการเพิ่มองค์ประกอบที่กระจัดกระจาย 4 รายการให้กับเทนเซอร์อันดับ 1 ให้เป็น 8 องค์ประกอบ ใน Python การเพิ่มนั้นจะมีลักษณะดังนี้:

input = tf.constant([1, 2, 3, 4, 5, 6, 7, 8]) ดัชนี = tf.constant([[4], [3], [1], [7]]) อัปเดต = tf.constant([9, 10, 11, 12]) output = tf.scatter_nd_non_aliasing_add(input, indices, Updates) ด้วย tf.Session() เป็น sess: print(sess.run(output))

ค่าผลลัพธ์ `output` จะมีลักษณะดังนี้:

[1, 13, 3, 14, 14, 6, 7, 20]

ดู tf.scatter_nd สำหรับรายละเอียดเพิ่มเติมเกี่ยวกับวิธีการอัปเดตสไลซ์

ใช้การเพิ่มเติมแบบกระจายกับ "อินพุต" โดยใช้ค่าเดี่ยวๆ หรือการแบ่งส่วน

จาก `อัปเดต` ตามดัชนี `ดัชนี` การอัปเดตไม่ใช่นามแฝง: `อินพุต` จะได้รับการแก้ไขเฉพาะในกรณีที่ไม่มีการดำเนินการอื่นใดที่จะใช้ มิฉะนั้น จะมีการทำสำเนาของ `อินพุต` การดำเนินการนี้มีการไล่ระดับสีตามทั้ง "อินพุต" และ "การอัปเดต"

`input` คือ 'Tensor' ที่มีอันดับ 'P' และ 'indices' คือ 'Tensor' ของอันดับ 'Q'

"ดัชนี" ต้องเป็นเทนเซอร์จำนวนเต็ม ซึ่งมีดัชนีอยู่ใน "อินพุต" มันจะต้องเป็นรูปเป็นร่าง \\([d_0, ..., d_{Q-2}, K]\\) โดยที่ `0 < K <= P`

มิติในสุดของ `ดัชนี` (ที่มีความยาว `K`) สอดคล้องกับดัชนีในองค์ประกอบต่างๆ (หาก `K = P`) หรือส่วนแบ่งมิติ `(PK)` (หาก `K < P`) ตามแนว `K`th มิติของ 'อินพุต'

`updates` คือ `Tensor` ของอันดับ `Q-1+PK` ที่มีรูปร่าง:

$$[d_0, ..., d_{Q-2}, input.shape[K], ..., input.shape[P-1]].$$

ตัวอย่างเช่น สมมติว่าเราต้องการเพิ่มองค์ประกอบที่กระจัดกระจาย 4 รายการให้กับเทนเซอร์อันดับ 1 ให้เป็น 8 องค์ประกอบ ใน Python การเพิ่มนั้นจะมีลักษณะดังนี้:

input = tf.constant([1, 2, 3, 4, 5, 6, 7, 8]) ดัชนี = tf.constant([[4], [3], [1], [7]]) อัปเดต = tf.constant([9, 10, 11, 12]) output = tf.scatter_nd_non_aliasing_add(input, indices, Updates) ด้วย tf.Session() เป็น sess: print(sess.run(output))

ค่าผลลัพธ์ `output` จะมีลักษณะดังนี้:

[1, 13, 3, 14, 14, 6, 7, 20]

ดู tf.scatter_nd สำหรับรายละเอียดเพิ่มเติมเกี่ยวกับวิธีการอัปเดตสไลซ์

ใช้การเพิ่มเติมแบบกระจายกับ "อินพุต" โดยใช้ค่าเดี่ยวๆ หรือการแบ่งส่วน

จาก `อัปเดต` ตามดัชนี `ดัชนี` การอัปเดตไม่ใช่นามแฝง: `อินพุต` จะได้รับการแก้ไขเฉพาะในกรณีที่ไม่มีการดำเนินการอื่นใดที่จะใช้ มิฉะนั้น จะมีการทำสำเนาของ `อินพุต` การดำเนินการนี้มีการไล่ระดับสีตามทั้ง "อินพุต" และ "การอัปเดต"

`input` คือ 'Tensor' ที่มีอันดับ 'P' และ 'indices' คือ 'Tensor' ของอันดับ 'Q'

"ดัชนี" ต้องเป็นเทนเซอร์จำนวนเต็ม ซึ่งมีดัชนีอยู่ใน "อินพุต" มันจะต้องเป็นรูปเป็นร่าง \\([d_0, ..., d_{Q-2}, K]\\) โดยที่ `0 < K <= P`

มิติในสุดของ `ดัชนี` (ที่มีความยาว `K`) สอดคล้องกับดัชนีในองค์ประกอบต่างๆ (หาก `K = P`) หรือส่วนแบ่งมิติ `(PK)` (หาก `K < P`) ตามแนว `K`th มิติของ 'อินพุต'

`updates` คือ `Tensor` ของอันดับ `Q-1+PK` ที่มีรูปร่าง:

$$[d_0, ..., d_{Q-2}, input.shape[K], ..., input.shape[P-1]].$$

ตัวอย่างเช่น สมมติว่าเราต้องการเพิ่มองค์ประกอบที่กระจัดกระจาย 4 รายการให้กับเทนเซอร์อันดับ 1 ให้เป็น 8 องค์ประกอบ ใน Python การเพิ่มนั้นจะมีลักษณะดังนี้:

input = tf.constant([1, 2, 3, 4, 5, 6, 7, 8]) ดัชนี = tf.constant([[4], [3], [1], [7]]) อัปเดต = tf.constant([9, 10, 11, 12]) output = tf.scatter_nd_non_aliasing_add(input, indices, Updates) ด้วย tf.Session() เป็น sess: print(sess.run(output))

ค่าผลลัพธ์ `output` จะมีลักษณะดังนี้:

[1, 13, 3, 14, 14, 6, 7, 20]

ดู tf.scatter_nd สำหรับรายละเอียดเพิ่มเติมเกี่ยวกับวิธีการอัปเดตสไลซ์

ใช้การเพิ่มเติมแบบกระจายกับ "อินพุต" โดยใช้ค่าเดี่ยวๆ หรือการแบ่งส่วน

จาก `อัปเดต` ตามดัชนี `ดัชนี` การอัปเดตไม่ใช่นามแฝง: `อินพุต` จะถูกแก้ไขเฉพาะในกรณีที่ไม่มีการดำเนินการอื่นใดที่จะใช้ มิฉะนั้น จะมีการทำสำเนาของ `อินพุต` การดำเนินการนี้มีการไล่ระดับสีตามทั้ง "อินพุต" และ "การอัปเดต"

`input` คือ 'Tensor' ที่มีอันดับ 'P' และ 'indices' คือ 'Tensor' ของอันดับ 'Q'

"ดัชนี" ต้องเป็นเทนเซอร์จำนวนเต็ม ซึ่งมีดัชนีอยู่ใน "อินพุต" มันจะต้องเป็นรูปเป็นร่าง \\([d_0, ..., d_{Q-2}, K]\\) โดยที่ `0 < K <= P`

มิติในสุดของ `ดัชนี` (ที่มีความยาว `K`) สอดคล้องกับดัชนีในองค์ประกอบต่างๆ (หาก `K = P`) หรือส่วนแบ่งมิติ `(PK)` (หาก `K < P`) ตามแนว `K`th มิติของ 'อินพุต'

`updates` คือ `Tensor` ของอันดับ `Q-1+PK` ที่มีรูปร่าง:

$$[d_0, ..., d_{Q-2}, input.shape[K], ..., input.shape[P-1]].$$

ตัวอย่างเช่น สมมติว่าเราต้องการเพิ่มองค์ประกอบที่กระจัดกระจาย 4 รายการให้กับเทนเซอร์อันดับ 1 ให้เป็น 8 องค์ประกอบ ใน Python การเพิ่มนั้นจะมีลักษณะดังนี้:

input = tf.constant([1, 2, 3, 4, 5, 6, 7, 8]) ดัชนี = tf.constant([[4], [3], [1], [7]]) อัปเดต = tf.constant([9, 10, 11, 12]) output = tf.scatter_nd_non_aliasing_add(input, indices, Updates) ด้วย tf.Session() เป็น sess: print(sess.run(output))

ค่าผลลัพธ์ `output` จะมีลักษณะดังนี้:

[1, 13, 3, 14, 14, 6, 7, 20]

ดู tf.scatter_nd สำหรับรายละเอียดเพิ่มเติมเกี่ยวกับวิธีการอัปเดตสไลซ์