ScatterNdNonAliasingAdd

Aplica adição esparsa a `input` usando valores individuais ou fatias

de `atualizações` de acordo com índices `índices`. As atualizações não têm alias: `input` só é modificado no local se nenhuma outra operação o utilizar. Caso contrário, uma cópia de `input` será feita. Esta operação tem um gradiente em relação a `input` e `updates`.

`input` é um `Tensor` com classificação `P` e `indices` é um `Tensor` de classificação `Q`.

`indices` deve ser um tensor inteiro, contendo índices em `input`. Deve ser forma \\([d_0, ..., d_{Q-2}, K]\\) onde `0 <K <= P`.

A dimensão mais interna dos `índices` (com comprimento `K`) corresponde a índices em elementos (se `K = P`) ou fatias dimensionais `(PK)` (se `K < P`) ao longo do `K`ésimo dimensão de `entrada`.

`updates` é `Tensor` de classificação `Q-1+PK` com formato:

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

Por exemplo, digamos que queremos adicionar 4 elementos dispersos a um tensor de classificação 1 para 8 elementos. Em Python, essa adição ficaria assim:

entrada = tf.constant([1, 2, 3, 4, 5, 6, 7, 8]) índices = tf.constant([[4], [3], [1], [7]]) atualizações = tf.constant([9, 10, 11, 12]) saída = tf.scatter_nd_non_aliasing_add(input, índices, atualizações) com tf.Session() como sess: print(sess.run(output))

O valor resultante `output` ficaria assim:

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

Consulte tf.scatter_nd para obter mais detalhes sobre como fazer atualizações nas fatias.

Aplica adição esparsa a `input` usando valores individuais ou fatias

de `atualizações` de acordo com índices `índices`. As atualizações não têm alias: `input` só é modificado no local se nenhuma outra operação o utilizar. Caso contrário, uma cópia de `input` é feita. Esta operação tem um gradiente em relação a `input` e `updates`.

`input` é um `Tensor` com classificação `P` e `indices` é um `Tensor` de classificação `Q`.

`indices` deve ser um tensor inteiro, contendo índices em `input`. Deve ser forma \\([d_0, ..., d_{Q-2}, K]\\) onde `0 <K <= P`.

A dimensão mais interna dos `índices` (com comprimento `K`) corresponde a índices em elementos (se `K = P`) ou fatias dimensionais `(PK)` (se `K < P`) ao longo do `K`ésimo dimensão de `entrada`.

`updates` é `Tensor` de classificação `Q-1+PK` com formato:

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

Por exemplo, digamos que queremos adicionar 4 elementos dispersos a um tensor de classificação 1 para 8 elementos. Em Python, essa adição ficaria assim:

entrada = tf.constant([1, 2, 3, 4, 5, 6, 7, 8]) índices = tf.constant([[4], [3], [1], [7]]) atualizações = tf.constant([9, 10, 11, 12]) saída = tf.scatter_nd_non_aliasing_add(input, índices, atualizações) com tf.Session() como sess: print(sess.run(output))

O valor resultante `output` ficaria assim:

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

Consulte tf.scatter_nd para obter mais detalhes sobre como fazer atualizações nas fatias.

Aplica adição esparsa a `input` usando valores individuais ou fatias

de `atualizações` de acordo com índices `índices`. As atualizações não têm alias: `input` só é modificado no local se nenhuma outra operação o utilizar. Caso contrário, uma cópia de `input` será feita. Esta operação tem um gradiente em relação a `input` e `updates`.

`input` é um `Tensor` com classificação `P` e `indices` é um `Tensor` de classificação `Q`.

`indices` deve ser um tensor inteiro, contendo índices em `input`. Deve ser forma \\([d_0, ..., d_{Q-2}, K]\\) onde `0 <K <= P`.

A dimensão mais interna dos `índices` (com comprimento `K`) corresponde a índices em elementos (se `K = P`) ou fatias dimensionais `(PK)` (se `K < P`) ao longo do `K`ésimo dimensão de `entrada`.

`updates` é `Tensor` de classificação `Q-1+PK` com formato:

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

Por exemplo, digamos que queremos adicionar 4 elementos dispersos a um tensor de classificação 1 para 8 elementos. Em Python, essa adição ficaria assim:

entrada = tf.constant([1, 2, 3, 4, 5, 6, 7, 8]) índices = tf.constant([[4], [3], [1], [7]]) atualizações = tf.constant([9, 10, 11, 12]) saída = tf.scatter_nd_non_aliasing_add(input, índices, atualizações) com tf.Session() como sess: print(sess.run(output))

O valor resultante `output` ficaria assim:

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

Consulte tf.scatter_nd para obter mais detalhes sobre como fazer atualizações nas fatias.

Aplica adição esparsa a `input` usando valores individuais ou fatias

de `atualizações` de acordo com índices `índices`. As atualizações não têm alias: `input` só é modificado no local se nenhuma outra operação o utilizar. Caso contrário, uma cópia de `input` será feita. Esta operação tem um gradiente em relação a `input` e `updates`.

`input` é um `Tensor` com classificação `P` e `indices` é um `Tensor` de classificação `Q`.

`indices` deve ser um tensor inteiro, contendo índices em `input`. Deve ser forma \\([d_0, ..., d_{Q-2}, K]\\) onde `0 <K <= P`.

A dimensão mais interna dos `índices` (com comprimento `K`) corresponde a índices em elementos (se `K = P`) ou fatias dimensionais `(PK)` (se `K < P`) ao longo do `K`ésimo dimensão de `entrada`.

`updates` é `Tensor` de classificação `Q-1+PK` com formato:

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

Por exemplo, digamos que queremos adicionar 4 elementos dispersos a um tensor de classificação 1 para 8 elementos. Em Python, essa adição ficaria assim:

entrada = tf.constant([1, 2, 3, 4, 5, 6, 7, 8]) índices = tf.constant([[4], [3], [1], [7]]) atualizações = tf.constant([9, 10, 11, 12]) saída = tf.scatter_nd_non_aliasing_add(input, índices, atualizações) com tf.Session() como sess: print(sess.run(output))

O valor resultante `output` ficaria assim:

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

Consulte tf.scatter_nd para obter mais detalhes sobre como fazer atualizações nas fatias.