TensorScatterSub

TensorScatterSub public final class

Resta "actualizaciones" dispersas de un tensor existente según los "índices".

Esta operación crea un nuevo tensor restando "actualizaciones" dispersas del "tensor" pasado. Esta operación es muy similar a `tf.scatter_nd_sub`, excepto que las actualizaciones se restan de un tensor existente (a diferencia de una variable). Si la memoria del tensor existente no se puede reutilizar, se realiza una copia y se actualiza.

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

indices.shape [-1] <= shape.rank

La última dimensión de `índices` corresponde a índices en elementos (si` indices.shape [-1] = shape.rank`) o rebanadas (si `indices.shape [-1] <shape.rank`) a lo largo de la dimensión` índices .shape [-1] `de` shape`. `updates` es un tensor con forma

indices.shape [: - 1] + forma [indices.shape [-1]:]

La forma más simple de tensor_scatter_sub es restar elementos individuales de un tensor por índice. Por ejemplo, digamos que queremos insertar 4 elementos dispersos en un tensor de rango 1 con 8 elementos.

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

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)
 
El tensor resultante sería el siguiente:

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

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

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

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)
 
El tensor resultante sería el siguiente:

[[[-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]] ]

Tenga en cuenta que en la CPU, si se encuentra un índice fuera del límite, se devuelve un error. En GPU, si se encuentra un índice fuera del límite, el índice se ignora.

Métodos públicos

Salida <T>
asOutput ()
Devuelve el identificador simbólico de un tensor.
estática <T, U se extiende Número> TensorScatterSub <T>
crear ( Alcance alcance, operando <T> tensor, operando <U> índices, operando <T> actualizaciones)
Método de fábrica para crear una clase que envuelva una nueva operación TensorScatterSub.
Salida <T>
salida ()
Un nuevo tensor copiado del tensor y actualizaciones restadas según los índices.

Métodos heredados

Métodos públicos

pública de salida <T> asOutput ()

Devuelve el identificador simbólico de un tensor.

Las entradas a 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 TensorScatterSub <T> crear ( Alcance alcance, operando <T> tensor, operando <U> índices, operando <T> actualizaciones)

Método de fábrica para crear una clase que envuelva una nueva operación TensorScatterSub.

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

pública de salida <T> salida ()

Un nuevo tensor copiado del tensor y actualizaciones restadas según los índices.