เทนเซอร์โฟลว์ :: ops :: MatrixDiagV2

ส่งคืนค่าเทนเซอร์เส้นทแยงมุมแบบแบทช์พร้อมค่าทแยงมุมที่กำหนด

สรุป

ส่งคืนค่าเทนเซอร์ที่มีเนื้อหาใน diagonal เป็น k[0] -th ถึง k[1] -th ทแยงมุมของเมทริกซ์โดยที่ทุกอย่างอื่น ๆ จะมี padding ภายใน num_rows และ num_cols ระบุมิติของเมทริกซ์ด้านในสุดของเอาต์พุต หากไม่ได้ระบุทั้งสองอย่าง op จะถือว่าเมทริกซ์ด้านในสุดเป็นกำลังสองและอนุมานขนาดจาก k และมิติด้านในสุดของ diagonal หากระบุเพียงหนึ่งในนั้น op จะถือว่าค่าที่ไม่ระบุนั้นมีค่าน้อยที่สุดเท่าที่จะเป็นไปได้ตามเกณฑ์อื่น ๆ

ให้ diagonal มีขนาด r [I, J, ..., L, M, N] เทนเซอร์เอาต์พุตมีอันดับ r+1 มีรูปร่าง [I, J, ..., L, M, num_rows, num_cols] เมื่อกำหนดเส้นทแยงมุมเพียงเส้นเดียว ( k เป็นจำนวนเต็มหรือ k[0] == k[1] ) . มิฉะนั้นจะมีอันดับ r มีรูปร่าง [I, J, ..., L, num_rows, num_cols]

มิติในสุดที่สองของ diagonal มีความหมายสองเท่า เมื่อ k เป็นสเกลาร์หรือ k[0] == k[1] M เป็นส่วนหนึ่งของขนาดแบตช์ [I, J, ... , M] และเทนเซอร์เอาต์พุตคือ:

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

มิฉะนั้น M จะถือว่าเป็นจำนวนเส้นทแยงมุมสำหรับเมทริกซ์ในชุดเดียวกัน ( M = k[1]-k[0]+1 ) และเทนเซอร์เอาต์พุตคือ:

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

ตัวอย่างเช่น:

# 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]]

อาร์กิวเมนต์:

• ขอบเขต: วัตถุ ขอบเขต
• เส้นทแยงมุม: อันดับ r โดยที่ r >= 1
• k: การชดเชยในแนวทแยง ค่าบวกหมายถึงเส้นทแยงมุมหลัก 0 หมายถึงเส้นทแยงมุมหลักส่วนค่าลบหมายถึงเส้นทแยงมุมย่อย k สามารถเป็นจำนวนเต็มเดี่ยว (สำหรับเส้นทแยงมุมเส้นเดียว) หรือจำนวนเต็มคู่ที่ระบุจุดต่ำสุดและสูงของแถบเมทริกซ์ k[0] ต้องไม่เกิน k[1]
• num_rows: จำนวนแถวของเมทริกซ์เอาต์พุต หากไม่ได้ระบุไว้ op จะถือว่าเมทริกซ์เอาต์พุตเป็นเมทริกซ์สี่เหลี่ยมและอนุมานขนาดเมทริกซ์จาก k และมิติด้านในสุดของ diagonal
• num_cols: จำนวนคอลัมน์ของเมทริกซ์เอาต์พุต หากไม่ได้ระบุไว้ op จะถือว่าเมทริกซ์เอาต์พุตเป็นเมทริกซ์สี่เหลี่ยมและอนุมานขนาดเมทริกซ์จาก k และมิติด้านในสุดของ diagonal
• padding_value: ตัวเลขที่จะเติมพื้นที่นอกเส้นทแยงมุมที่ระบุด้วย ค่าเริ่มต้นคือ 0

ผลตอบแทน:

• Output : มีอันดับ r+1 เมื่อ k เป็นจำนวนเต็มหรือ k[0] == k[1] อันดับ r

คุณลักษณะสาธารณะ

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