ParallelDynamicStitch

Sisipkan nilai dari tensor `data` ke dalam satu tensor.

Membangun tensor gabungan sehingga

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

Misalnya, jika setiap `indices[m]` adalah skalar atau vektor, kita memiliki

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

Setiap `data[i].shape` harus dimulai dengan `indices[i] yang sesuai. shape`, dan `data[i].shape` lainnya harus konstan dengan `i`. Artinya, kita harus memiliki `data[i].shape = indeks[i].shape + konstan`. Dalam istilah `konstan` ini, bentuk keluarannya adalah

merge.shape = [maks(indeks)] + konstanta

Nilai dapat digabungkan secara paralel, jadi jika indeks muncul di `indices[m][i]` dan `indices[n][j]`, hasilnya mungkin tidak valid. Ini berbeda dari operator DynamicStitch normal yang mendefinisikan perilaku dalam kasus tersebut.

Misalnya:

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]]
 

Metode ini dapat digunakan untuk menggabungkan partisi yang dibuat oleh `dynamic_partition` seperti yang diilustrasikan pada contoh berikut:

# 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.