TensorScatterAdd

clase final pública TensorScatterAdd

Agrega `actualizaciones` dispersas a un tensor existente según `índices`.

Esta operación crea un nuevo tensor agregando "actualizaciones" escasas al "tensor" pasado. Esta operación es muy similar a tf.compat.v1.scatter_nd_add , excepto que las actualizaciones se agregan a un tensor existente (a diferencia de una variable). Si la memoria del tensor existente no se puede reutilizar, se hace una copia y se actualiza.

`índices` es un tensor entero que contiene índices en un nuevo tensor de forma `tensor.shape`. La última dimensión de `índices` puede tener como máximo el rango de `tensor.shape`:

indices.shape[-1] <= tensor.shape.rank
 
La última dimensión de `indices` corresponde a índices en elementos (si `indices.shape[-1] = tensor.shape. rank`) o porciones (si `indices.shape[-1] < tensor.shape.rank`) a lo largo de la dimensión `indices.shape[-1]` de `tensor.shape`. `updates` es un tensor con forma
indices.shape[:-1] + tensor.shape[indices.shape[-1]:]
 
La forma más simple de `tensor_scatter_nd_add` es agregar elementos individuales a un tensor por índice. Por ejemplo, supongamos que queremos sumar 4 elementos en un tensor de rango 1 con 8 elementos.

En Python, esta operación de adición de dispersión se vería así:

>>> índices = tf.constante([[4], [3], [1], [7]]) >>> actualizaciones = tf.constante([9, 10, 11, 12]) >>> tensor = tf.ones([8], dtype=tf.int32) >>> actualizado = tf.tensor_scatter_nd_add(tensor, índices, actualizaciones) >>> actualizado

También podemos insertar rebanadas enteras de un tensor de mayor rango a la vez. Por ejemplo, si quisiéramos insertar dos cortes en la primera dimensión de un tensor de rango 3 con dos matrices de nuevos valores.

En Python, esta operación de adición de dispersión se vería así:

>>> índices = tf.constante([[0], [2]]) >>> actualizaciones = tf.constante([[[5, 5, 5, 5], [6, 6, 6, 6], ... [7, 7, 7, 7], [8, 8, 8, 8]], ... [[5, 5, 5, 5], [6, 6, 6, 6], .. .[7, 7, 7, 7], [8, 8, 8, 8]]]) >>> tensor = tf.ones([4, 4, 4],dtype=tf.int32) >>> actualizado = tf.tensor_scatter_nd_add(tensor, índices, actualizaciones) >>> actualizado

Nota: en la CPU, si se encuentra un índice fuera de límite, se devuelve un error. En GPU, si se encuentra un índice fuera de límite, se ignora el índice.

Métodos públicos

Salida <T>
como salida ()
Devuelve el identificador simbólico de un tensor.
estático <T, U extiende Número> TensorScatterAdd <T>
crear ( ámbito de ámbito, tensor de operando <T>, índices de operando <U>, actualizaciones de operando <T>)
Método de fábrica para crear una clase que envuelve una nueva operación TensorScatterAdd.
Salida <T>
salida ()
Un nuevo tensor copiado de tensor y actualizaciones añadidas según los índices.

Métodos Heredados

Métodos públicos

salida pública <T> como salida ()

Devuelve el identificador simbólico de un tensor.

Las entradas de las operaciones de TensorFlow son salidas de otra operación de TensorFlow. Este método se utiliza para obtener un identificador simbólico que representa el cálculo de la entrada.

Public static TensorScatterAdd <T> create ( Scope scope, Operando <T> tensor, Operando <U> índices, Operando <T> actualizaciones)

Método de fábrica para crear una clase que envuelve una nueva operación TensorScatterAdd.

Parámetros
alcance alcance actual
tensor Tensor para copiar/actualizar.
índices Tensor índice.
actualizaciones Actualizaciones para dispersarse en la salida.
Devoluciones
  • una nueva instancia de TensorScatterAdd

salida pública <T> salida ()

Un nuevo tensor copiado de tensor y actualizaciones añadidas según los índices.