tensorflow :: ops :: MatrixDiagV2

یک تانسور مورب دسته ای با مقادیر مورب دسته ای داده شده برمی گرداند.

خلاصه

یک تنسور را با محتویات diagonal k[0] به عنوان k[0] -th به k[1] -th مورب ماتریس برمی گرداند ، و همه موارد دیگر با padding . num_rows و num_cols بعد داخلی ماتریس خروجی را مشخص می کند. اگر هر دو مشخص نشده باشند ، op فرض می کند که داخلی ترین ماتریس مربع است و اندازه آن را از k و داخلی ترین بعد diagonal . اگر فقط یکی از آنها مشخص شده باشد ، op بر اساس معیارهای دیگر مقدار نامشخص کوچکترین مقدار ممکن را در نظر می گیرد.

اجازه دهید diagonal ابعاد r باشد [I, J, ..., L, M, N] . تنسور خروجی وقتی r+1 فقط 1 مورب داده می شود دارای درجه r+1 با شکل [I, J, ..., L, M, num_rows, num_cols] است ( k یک عدد صحیح است یا k[0] == k[1] ) . در غیر این صورت ، دارای درجه r با شکل [I, J, ..., L, num_rows, num_cols] .

بعد درونی دوم diagonal معنایی دوگانه دارد. وقتی k مقیاس پذیر باشد یا k[0] == k[1] ، M بخشی از اندازه دسته [I ، J ، ... ، M] است و تانسور خروجی:

output[i, j, ..., l, m, n]
  = diagonal[i, j, ..., l, n-max(d_upper, 0)] ; if n - m == d_upper
    output[i, j, ..., l, m, n]                ; otherwise

در غیر این صورت ، M به عنوان تعداد موربهای ماتریس در همان دسته ( M = k[1]-k[0]+1 ) در نظر گرفته می شود و تانسور خروجی:

output[i, j, ..., l, m, n]
  = diagonal[i, j, ..., l, k[1]-d, n-max(d, 0)] ; if d_lower <= d <= d_upper
    input[i, j, ..., l, m, n]                   ; otherwise

مثلا:

# The main diagonal.
diagonal = np.array([[1, 2, 3, 4],            # Input shape: (2, 4)
                     [5, 6, 7, 8]])
tf.matrix_diag(diagonal) ==> [[[1, 0, 0, 0],  # Output shape: (2, 4, 4)
                               [0, 2, 0, 0],
                               [0, 0, 3, 0],
                               [0, 0, 0, 4]],
                              [[5, 0, 0, 0],
                               [0, 6, 0, 0],
                               [0, 0, 7, 0],
                               [0, 0, 0, 8]]]

# A superdiagonal (per batch).
diagonal = np.array([[1, 2, 3],  # Input shape: (2, 3)
                     [4, 5, 6]])
tf.matrix_diag(diagonal, k = 1)
  ==> [[[0, 1, 0, 0],  # Output shape: (2, 4, 4)
        [0, 0, 2, 0],
        [0, 0, 0, 3],
        [0, 0, 0, 0]],
       [[0, 4, 0, 0],
        [0, 0, 5, 0],
        [0, 0, 0, 6],
        [0, 0, 0, 0]]]

# A band of diagonals.
diagonals = np.array([[[1, 2, 3],  # Input shape: (2, 2, 3)
                       [4, 5, 0]],
                      [[6, 7, 9],
                       [9, 1, 0]]])
tf.matrix_diag(diagonals, k = (-1, 0))
  ==> [[[1, 0, 0],  # Output shape: (2, 3, 3)
        [4, 2, 0],
        [0, 5, 3]],
       [[6, 0, 0],
        [9, 7, 0],
        [0, 1, 9]]]

# Rectangular matrix.
diagonal = np.array([1, 2])  # Input shape: (2)
tf.matrix_diag(diagonal, k = -1, num_rows = 3, num_cols = 4)
  ==> [[0, 0, 0, 0],  # Output shape: (3, 4)
       [1, 0, 0, 0],
       [0, 2, 0, 0]]

# Rectangular matrix with inferred num_cols and padding = 9.
tf.matrix_diag(diagonal, k = -1, num_rows = 3, padding = 9)
  ==> [[9, 9],  # Output shape: (3, 2)
       [1, 9],
       [9, 2]]

استدلال ها:

• دامنه: یک شی Sc Scope
• مورب: رتبه r ، جایی که r >= 1
• k: جبران (های) مورب مقدار مثبت به معنی superdiagonal است ، 0 به مورب اصلی و مقدار منفی به معنای subdiagonals است. k می تواند یک عدد صحیح واحد (برای یک مورب منفرد) یا یک جفت عدد صحیح باشد که انتهای کم و زیاد یک باند ماتریس را مشخص می کند. k[0] نباید بزرگتر از k[1] .
• num_rows: تعداد ردیف های ماتریس خروجی. اگر ارائه نشود ، op فرض می کند که ماتریس خروجی یک ماتریس مربع است و اندازه ماتریس را از k و داخلی ترین بعد diagonal .
• num_cols: تعداد ستون های ماتریس خروجی. اگر ارائه نشود ، op فرض می کند که ماتریس خروجی یک ماتریس مربع است و اندازه ماتریس را از k و داخلی ترین بعد diagonal .
• padding_value: عددی است که می تواند فضای خارج از باند مورب مشخص شده را با آن پر کند. پیش فرض 0 است.

بازده:

• Output : هنگامی که k یک عدد صحیح است ، r+1 دارد یا k[0] == k[1] ، در غیر این صورت ، درجه r .

صفات عمومی

Operation operation

::tensorflow::Output output

 MatrixDiagV2(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input diagonal,
  ::tensorflow::Input k,
  ::tensorflow::Input num_rows,
  ::tensorflow::Input num_cols,
  ::tensorflow::Input padding_value
)

::tensorflow::Node * node() const 

 operator::tensorflow::Input() const 

 operator::tensorflow::Output() const