tensorflow :: ops :: ResourceScatterNdSub

تفریق ناچیزی را برای مقادیر یا برشهای منفرد در یک متغیر اعمال می کند .

خلاصه

ref یک Tensor با درجه P و indices ها یک Tensor درجه Q .

indices باید عدسی صحیح باشند ، حاوی شاخص هایی در ref . باید شکل [d_0, ..., d_{Q-2}, K] که در آن 0 < K <= P

درونی ترین بعد از indices (با طول K ) مربوط به شاخص های موجود در عناصر (اگر K = P ) یا برش ها (اگر K < P ) در امتداد بعد K ref .

updates ها Tensor از درجه Q-1+PK با شکل است:

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

به عنوان مثال ، بگویید می خواهیم 4 عنصر پراکنده را از یک تانسور درجه 1 با 8 عنصر کم کنیم. در پایتون ، این تفریق به این شکل است:

ref = tf.Variable([1, 2, 3, 4, 5, 6, 7, 8], use_resource=True)
indices = tf.constant([[4], [3], [1], [7]])
updates = tf.constant([9, 10, 11, 12])
sub = tf.scatter_nd_sub(ref, indices, updates)
with tf.Session() as sess:
  print sess.run(sub)

به روزرسانی حاصل از ref به صورت زیر خواهد بود:

[1, -9, 3, -6, -4, 6, 7, -4]

برای جزئیات بیشتر در مورد نحوه به روزرسانی برش ها ، به tf.scatter_nd مراجعه کنید.

استدلال ها:

• دامنه: یک شی Sc Scope
• ref: دسته منابع. باید از یک VarHandleOp باشد.
• شاخص ها: یک تانسور . باید یکی از انواع زیر باشد: int32، int64. تنش کننده شاخص ها به ref.
• به روزرسانی ها: یک تنسور . باید همان نوع ref باشد. تنسور مقادیر برای افزودن به ref.

ویژگی های اختیاری (به Attrs مراجعه کنید):

• use_locking: یک بول اختیاری. به طور پیش فرض درست است. اگر درست باشد ، انتساب با قفل محافظت می شود. در غیر این صورت رفتار تعریف نشده است ، اما ممکن است مشاجره کمتری از خود نشان دهد.

بازده:

• Operation ایجاد شده

صفات عمومی

Operation operation

 ResourceScatterNdSub(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input ref,
  ::tensorflow::Input indices,
  ::tensorflow::Input updates
)

 ResourceScatterNdSub(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input ref,
  ::tensorflow::Input indices,
  ::tensorflow::Input updates,
  const ResourceScatterNdSub::Attrs & attrs
)

 operator::tensorflow::Operation() const 

Attrs UseLocking(
  bool x
)