ParallelDynamicStitch

مقادیر تانسورهای «داده» را در یک تانسور واحد قرار دهید.

یک تانسور ادغام شده را طوری می سازد که

merged[indices[m][i, ..., j], ...] = data[m][i, ..., j, ...]
 

برای مثال، اگر هر «شاخص[m]» اسکالر یا برداری باشد،

# Scalar indices:
     merged[indices[m], ...] = data[m][...]
 
     # Vector indices:
     merged[indices[m][i], ...] = data[m][i, ...]
 

داریم. هر «data[i].shape» باید با «شاخص [i] مربوطه شروع شود. shape»، و بقیه «data[i].shape» باید wrt «i» ثابت باشد. یعنی باید 'data[i].shape = indices[i].shape + ثابت را داشته باشیم. بر حسب این «ثابت»، شکل خروجی این است

merged.shape = [حداکثر(شاخص)] + ثابت

ممکن است مقادیر به صورت موازی ادغام شوند، بنابراین اگر یک شاخص در هر دو «شاخص[m][i]» و «شاخص[n][j]» ظاهر شود، ممکن است نتیجه نامعتبر باشد. این با عملگر معمولی DynamicStitch که رفتار را در آن حالت تعریف می کند متفاوت است.

به عنوان مثال:

indices[0] = 6
     indices[1] = [4, 1]
     indices[2] = [[5, 2], [0, 3]]
     data[0] = [61, 62]
     data[1] = [[41, 42], [11, 12]]
     data[2] = [[[51, 52], [21, 22]], [[1, 2], [31, 32]]]
     merged = [[1, 2], [11, 12], [21, 22], [31, 32], [41, 42],
               [51, 52], [61, 62]]
 

این روش را می توان برای ادغام پارتیشن های ایجاد شده توسط "dynamic_partition" همانطور که در مثال زیر نشان داده شده است استفاده کرد:

# Apply function (increments x_i) on elements for which a certain condition
     # apply (x_i != -1 in this example).
     x=tf.constant([0.1, -1., 5.2, 4.3, -1., 7.4])
     condition_mask=tf.not_equal(x,tf.constant(-1.))
     partitioned_data = tf.dynamic_partition(
         x, tf.cast(condition_mask, tf.int32) , 2)
     partitioned_data[1] = partitioned_data[1] + 1.0
     condition_indices = tf.dynamic_partition(
         tf.range(tf.shape(x)[0]), tf.cast(condition_mask, tf.int32) , 2)
     x = tf.dynamic_stitch(condition_indices, partitioned_data)
     # Here x=[1.1, -1., 6.2, 5.3, -1, 8.4], the -1. values remain
     # unchanged.