ScatterNdNonAliasingAdd

Aplica adição esparsa a `entrada` usando valores individuais ou fatias

de `updates` de acordo com os índices` indices`. As atualizações não são aliasing: `input` só é modificado no local se nenhuma outra operação for usá-lo. Caso contrário, uma cópia de `entrada` é feita. Esta operação tem um gradiente em relação a `input` e` updates`.

`entrada` é um` Tensor` com classificação `P` e` índices` é um `Tensor` de classificação` Q`.

`índices` deve ser tensor inteiro, contendo índices em` entrada`. Deve ser forma \\([d_0, ..., d_{Q-2}, K]\\) onde `0 <K <= P`.

A dimensão mais interna de `índices` (com comprimento` K`) corresponde aos índices em elementos (se `K = P`) ou` (PK) `fatias dimensionais (se` K <P`) ao longo do `K` dimensão de `entrada`.

`updates` é` Tensor` de classificação `Q-1 + PK` com forma:

$$[d_0, ..., d_{Q-2}, input.shape[K], ..., input.shape[P-1]].$$

Por exemplo, digamos que queremos adicionar 4 elementos dispersos a um tensor de classificação 1 para 8 elementos. Em Python, essa adição ficaria assim:

input = tf.constant ([1, 2, 3, 4, 5, 6, 7, 8]) índices = tf.constant ([[4], [3], [1], [7]]) updates = tf.constant ([9, 10, 11, 12]) output = tf.scatter_nd_non_aliasing_add (input, indices, updates) com tf.Session () as sess: print (sess.run (output))

O valor resultante `output` ficaria assim:

[1, 13, 3, 14, 14, 6, 7, 20]

Veja tf.scatter_nd para mais detalhes sobre como fazer atualizações em fatias.