TensorScatterUpdate

Rozrzuć „aktualizacje” na istniejący tensor zgodnie z „indeksami”.

Ta operacja tworzy nowy tensor poprzez zastosowanie rzadkich „aktualizacji” do przekazanego „tensora”. Ta operacja jest bardzo podobna do tf.scatter_nd , z tą różnicą, że aktualizacje są rozproszone na istniejącym tensorze (w przeciwieństwie do tensora zerowego). Jeśli nie można ponownie wykorzystać pamięci istniejącego tensora, tworzona jest i aktualizowana kopia.

Jeśli „indeksy” zawierają duplikaty, wybieramy ostatnią aktualizację indeksu.

Jeśli na procesorze zostanie znaleziony indeks poza granicami, zwracany jest błąd.

OSTRZEŻENIE : Ta operacja ma pewną semantykę specyficzną dla procesora graficznego. - Jeśli zostanie znaleziony indeks spoza limitu, zostanie on zignorowany. - Kolejność stosowania aktualizacji jest niedeterministyczna, więc wynik będzie niedeterministyczny, jeśli „indeksy” zawierają duplikaty.

„indeksy” to tensor liczb całkowitych zawierający indeksy w nowym tensorze kształtu „shape”.

• `indeksy` muszą mieć co najmniej 2 osie: `(num_updates, indeks_głębokość)`.
• Ostatnia oś „indeksów” określa głębokość indeksowania w „tensorze”, zatem głębokość indeksu musi być mniejsza niż rząd „tensora”: `indices.shape[-1] <= tensor.ndim`

jeśli `indices.shape[-1] = tensor.rank` ta operacja indeksuje i aktualizuje elementy skalarne. jeśli `indices.shape[-1] < tensor.rank` indeksuje i aktualizuje wycinki wejściowego `tensora`.

Każda „aktualizacja” ma rangę „tensor.rank - indices.shape[-1]”. Ogólny kształt „aktualizacji” to:

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

Przykłady użycia można znaleźć w funkcji Pythona [tf.tensor_scatter_nd_update](https://www.tensorflow.org/api_docs/python/tf/tensor_scatter_nd_update)