SegmentProdV2

يحسب المنتج على طول شرائح الموتر.

اقرأ [القسم الخاص بالتجزئة](https://tensorflow.org/api_docs/python/tf/math#Segmentation) للحصول على شرح للشرائح.

يحسب موترًا مثل \\(output_i = \prod_j data_j\\) حيث يكون المنتج أكبر من `j` بحيث يكون `segment_ids[j] == i`.

إذا كان المنتج فارغًا لمعرف مقطع معين `i`، `output[i] = 1`.

ملاحظة: أن هذه العملية مدعومة حاليًا فقط مع jit_compile=True.

الاختلاف الوحيد مع SegmentProd هو الإدخال الإضافي `num_segments`. يساعد هذا في تقييم شكل الإخراج في وقت الترجمة. يجب أن يكون `num_segments` متسقًا مع معرفات_القطاعات. على سبيل المثال، الحد الأقصى (segment_ids) - 1 يجب أن يكون مساويًا لـ `num_segments` لمعرفات_القطاعات ذات 1-d مع وجود num_segments غير المتناسقة، لا تزال العملية قيد التشغيل. الفرق الوحيد هو أن الإخراج يأخذ حجم num_segments بغض النظر عن حجم section_ids والبيانات. بالنسبة إلى num_segments الأقل من حجم الإخراج المتوقع، يتم تجاهل العناصر الأخيرة بالنسبة إلى num_segments الأكبر من حجم الإخراج المتوقع، ويتم تعيين العناصر الأخيرة بالقيمة 1.

على سبيل المثال:

>>> @tf.function(jit_compile=True) ... اختبار def(c): ... return tf.raw_ops.SegmentProdV2(data=c, section_ids=tf.constant([0, 0, 1]), num_segments=2) >>> c = tf.constant([[1,2,3,4], [4, 3, 2, 1], [5,6,7,8]]) >>> اختبار( c).numpy() array([[4, 6, 6, 4], [5, 6, 7, 8]], dtype=int32)