TensorScatterSub

«به‌روزرسانی‌های» پراکنده را با توجه به «شاخص‌ها» از یک تانسور موجود کم می‌کند.

این عملیات با کم کردن «به‌روزرسانی‌های» پراکنده از «تانسور» یک تانسور جدید ایجاد می‌کند. این عملیات بسیار شبیه به «tf.scatter_nd_sub» است، با این تفاوت که به‌روزرسانی‌ها از یک تانسور موجود (برخلاف یک متغیر) کم می‌شوند. اگر حافظه تانسور موجود قابل استفاده مجدد نباشد، یک کپی ساخته شده و به روز می شود.

«شاخص‌ها» یک تانسور عدد صحیح است که شامل شاخص‌هایی در یک تانسور جدید به شکل «شکل» است. آخرین بعد «شاخص‌ها» حداکثر می‌تواند رتبه «شکل» باشد:

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

آخرین بعد «شاخص‌ها» مربوط به شاخص‌ها در عناصر (اگر «indices.shape[-1] = shape.rank») یا برش‌ها (اگر «indices.shape[-1] < shape.rank») در امتداد «شاخص‌ها» است. شکل[-1]` از «شکل». "به روز رسانی" یک تانسور با شکل است

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

ساده ترین شکل tensor_scatter_sub این است که عناصر منفرد را از یک تانسور با شاخص کم کنیم. به عنوان مثال، فرض کنید می خواهیم 4 عنصر پراکنده را در یک تانسور رتبه-1 با 8 عنصر وارد کنیم.

در پایتون، این عمل تفریق پراکندگی به این صورت خواهد بود:

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]

همچنین می‌توانیم تمام برش‌های یک تانسور رتبه بالاتر را به یکباره وارد کنیم. به عنوان مثال، اگر بخواهیم دو برش را در بعد اول یک تانسور رتبه-3 با دو ماتریس از مقادیر جدید وارد کنیم.

در پایتون، این عملیات افزودن پراکنده به این صورت خواهد بود:

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]] ]

توجه داشته باشید که در CPU، اگر یک نمایه خارج از کران پیدا شود، یک خطا برگردانده می شود. در GPU، اگر یک نمایه خارج از کران پیدا شود، شاخص نادیده گرفته می شود.