TensorScatterSub

ลบ "การอัปเดต" แบบกระจายออกจากเทนเซอร์ที่มีอยู่ตาม "ดัชนี"

การดำเนินการนี้จะสร้างเทนเซอร์ใหม่โดยลบ "การอัปเดต" ที่กระจัดกระจายออกจากค่าที่ส่งผ่านใน "เทนเซอร์" การดำเนินการนี้คล้ายกับ `tf.scatter_nd_sub` มาก ยกเว้นว่าการอัปเดตจะถูกลบออกจากเทนเซอร์ที่มีอยู่ (ซึ่งตรงข้ามกับตัวแปร) หากหน่วยความจำสำหรับเทนเซอร์ที่มีอยู่ไม่สามารถนำมาใช้ซ้ำได้ จะมีการทำสำเนาและอัปเดต

`indices` คือเทนเซอร์จำนวนเต็มที่มีดัชนีอยู่ในเทนเซอร์ใหม่ของรูปร่าง 'รูปร่าง' มิติสุดท้ายของ "ดัชนี" สามารถอยู่ในอันดับสูงสุดของ "รูปร่าง" ได้:

indices.shape[-1] <= รูปร่างอันดับ

มิติสุดท้ายของ `ดัชนี` สอดคล้องกับดัชนีในองค์ประกอบ (หาก `indices.shape[-1] = shape.rank`) หรือชิ้น (หาก `indices.shape[-1] < รูปร่างอันดับ`) ตามแนว `ดัชนี .shape[-1]` ของ `รูปร่าง` `updates` เป็นเทนเซอร์ที่มีรูปร่าง

ดัชนีรูปร่าง[:-1] + รูปร่าง[ดัชนีรูปร่าง[-1]:]

รูปแบบที่ง่ายที่สุดของ tensor_scatter_sub คือการลบแต่ละองค์ประกอบออกจากเมตริกซ์ด้วยดัชนี ตัวอย่างเช่น สมมติว่าเราต้องการแทรกองค์ประกอบที่กระจัดกระจาย 4 องค์ประกอบในเทนเซอร์อันดับ 1 โดยมี 8 องค์ประกอบ

ใน Python การดำเนินการลบแบบกระจายนี้จะมีลักษณะดังนี้:

indices = tf.constant([[4], [3], [1], [7]])
     updates = tf.constant([9, 10, 11, 12])
     tensor = tf.ones([8], dtype=tf.int32)
     updated = tf.tensor_scatter_nd_sub(tensor, indices, updates)
     print(updated)
 

[1, -10, 1, -9, -8, 1, 1, -11]

นอกจากนี้เรายังสามารถแทรกส่วนของเทนเซอร์ลำดับที่สูงกว่าทั้งหมดได้ในคราวเดียว ตัวอย่างเช่น หากเราต้องการแทรกสองส่วนในมิติแรกของเทนเซอร์อันดับ 3 พร้อมด้วยเมทริกซ์ใหม่สองค่า

ใน Python การดำเนินการเพิ่มแบบกระจายนี้จะมีลักษณะดังนี้:

indices = tf.constant([[0], [2]])
     updates = tf.constant([[[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)
     updated = tf.tensor_scatter_nd_sub(tensor, indices, updates)
     print(updated)
 

[[[-4, -4, -4, -4], [-5, -5, -5, -5], [-6, -6, -6, -6], [-7, -7 , -7, -7]], [[1, 1, 1, 1], [1, 1, 1, 1], [1, 1, 1, 1], [1, 1, 1, 1]] , [[-4, -4, -4, -4], [-5, -5, -5, -5], [-6, -6, -6, -6], [-7, -7 , -7, -7]], [[1, 1, 1, 1], [1, 1, 1, 1], [1, 1, 1, 1], [1, 1, 1, 1]] ]

โปรดทราบว่าบน CPU หากพบดัชนีนอกขอบเขต ข้อผิดพลาดจะถูกส่งกลับ บน GPU หากพบดัชนีนอกขอบเขต ดัชนีนั้นจะถูกละเว้น