aliran tensor:: Tensor

Iris tensor ini sepanjang dimensi pertama.

Yaitu, tensor yang dikembalikan memenuhi return[i, ...] == this[dim0_start + i, ...]. Tensor yang dikembalikan berbagi buffer tensor yang mendasarinya dengan tensor ini.

CATATAN: Tensor yang dikembalikan mungkin tidak memenuhi persyaratan penyelarasan yang sama seperti tensor ini tergantung pada bentuknya. Pemanggil harus memeriksa perataan tensor yang dikembalikan sebelum memanggil metode tertentu yang memiliki persyaratan perataan (misalnya, flat() , tensor() ).

CATATAN: Saat diumpankan dengan tensor dimensi-N, metode ini mengembalikan tensor juga dengan dimensi N. Jika Anda ingin memilih sub tensor, lihat SubSlice.

MEMBUTUHKAN: dims() >= 1 MEMBUTUHKAN: 0 <= dim0_start <= dim0_limit <= dim_size(0)

Pilih subslice dari tensor ini di sepanjang dimensi pertama.

Saat diumpankan dengan tensor N-dimensi, metode ini mengembalikan tensor dengan dimensi N-1, di mana tensor yang dikembalikan adalah subslice dari tensor input di sepanjang dimensi pertama. Dimensi N-1 dari tensor yang dikembalikan adalah dimensi N-1 terakhir dari tensor input.

CATATAN: Tensor yang dikembalikan mungkin tidak memenuhi persyaratan penyelarasan yang sama seperti tensor ini tergantung pada bentuknya. Pemanggil harus memeriksa perataan tensor yang dikembalikan sebelum memanggil metode tertentu yang memiliki persyaratan perataan (misalnya, flat() , tensor() ).

MEMBUTUHKAN: dims() >= 1 MEMBUTUHKAN: 0 <= dim0_start < dim_size(0)

Render nilai max_entries pertama di *this menjadi string.

Membuat tensor float 0-elemen 1 dimensi.

Tensor yang dikembalikan bukan skalar (bentuk {}), melainkan Tensor satu dimensi kosong (bentuk {0}, NumElements() == 0). Karena tidak memiliki elemen, tidak perlu diberi nilai dan diinisialisasi secara default ( IsInitialized() adalah true). Jika ini tidak diinginkan, pertimbangkan untuk membuat skalar satu elemen yang memang membutuhkan inisialisasi:

Tensor(DT_FLOAT, TensorShape({}))

Membuat Tensor dari type dan shape yang diberikan .

Jika LogMemory::IsEnabled() alokasi dicatat sebagai berasal dari kernel dan langkah yang tidak dikenal. Memanggil konstruktor Tensor langsung dari dalam Op tidak digunakan lagi: gunakan metode OpKernelConstruction/OpKernelContext mengalokasikan_* untuk mengalokasikan tensor baru, yang merekam kernel dan langkah.

Buffer yang mendasari dialokasikan menggunakan CPUAllocator .

Membuat tensor dengan type dan shape input , menggunakan pengalokasi a untuk mengalokasikan buffer yang mendasarinya.

Jika LogMemory::IsEnabled() alokasi dicatat sebagai berasal dari kernel dan langkah yang tidak dikenal. Memanggil konstruktor Tensor langsung dari dalam Op tidak digunakan lagi: gunakan metode OpKernelConstruction/OpKernelContext mengalokasikan_* untuk mengalokasikan tensor baru, yang merekam kernel dan langkah.

harus a lebih lama dari masa pakai Tensor ini.

Membuat tensor dengan type dan shape input, menggunakan pengalokasi a dan "allocation_attr" yang ditentukan untuk mengalokasikan buffer yang mendasarinya.

Jika kernel dan langkah diketahui, alokasi_attr.allocation_will_be_logged harus disetel ke true dan LogMemory::RecordTensorAllocation harus dipanggil setelah tensor dibuat. Memanggil konstruktor Tensor langsung dari dalam Op tidak digunakan lagi: gunakan metode OpKernelConstruction/OpKernelContext mengalokasikan_* untuk mengalokasikan tensor baru, yang merekam kernel dan langkah.

harus a lebih lama dari masa pakai Tensor ini.

Membuat Tensor kosong dari tipe data yang diberikan.

Seperti Tensor() , mengembalikan Tensor 0-elemen 1 dimensi dengan IsInitialized() mengembalikan True. Lihat dokumentasi Tensor() untuk detailnya.

Tensor

 Tensor(
  double scalar_value
)

 Tensor(
  int32 scalar_value
)

 Tensor(
  uint32 scalar_value
)

 Tensor(
  uint16 scalar_value
)

 Tensor(
  uint8 scalar_value
)

 Tensor(
  int16 scalar_value
)

 Tensor(
  int8 scalar_value
)

 Tensor(
  string scalar_value
)

 Tensor(
  complex64 scalar_value
)

 Tensor(
  complex128 scalar_value
)

 Tensor(
  int64 scalar_value
)

 Tensor(
  uint64 scalar_value
)

 Tensor(
  bool scalar_value
)

 Tensor(
  qint8 scalar_value
)

 Tensor(
  quint8 scalar_value
)

 Tensor(
  qint16 scalar_value
)

 Tensor(
  quint16 scalar_value
)

 Tensor(
  qint32 scalar_value
)

 Tensor(
  bfloat16 scalar_value
)

 Tensor(
  Eigen::half scalar_value
)

 Tensor(
  ResourceHandle scalar_value
)

 Tensor(
  const char *scalar_value
)

 Tensor(
  const Tensor & other
)

 Tensor(
  Tensor && other
)

size_t TotalBytes() const 

void UnsafeCopyFromInternal(
  const Tensor & other,
  DataType dtype,
  const TensorShape & shape
)

TTypes< T, NDIMS >::Tensor bit_casted_shaped(
  gtl::ArraySlice< int64 > new_sizes
)

TTypes< T, NDIMS >::ConstTensor bit_casted_shaped(
  gtl::ArraySlice< int64 > new_sizes
) const 

TTypes< T, NDIMS >::Tensor bit_casted_tensor()

TTypes< T, NDIMS >::ConstTensor bit_casted_tensor() const 

int64 dim_size(
  int d
) const 

int dims() const 

DataType dtype() const 

TTypes< T >::Flat flat()

  
    typedef float T;
    Tensor my_ten(...built with Shape{planes: 4, rows: 3, cols: 5}...);
    // 1D Eigen::Tensor, size 60:
    auto flat = my_ten.flat();
    // 2D Eigen::Tensor 12 x 5:
    auto inner = my_ten.flat_inner_dims();
    // 2D Eigen::Tensor 4 x 15:
    auto outer = my_ten.shaped({4, 15});
    // CHECK fails, bad num elements:
    auto outer = my_ten.shaped({4, 8});
    // 3D Eigen::Tensor 6 x 5 x 2:
    auto weird = my_ten.shaped({6, 5, 2});
    // CHECK fails, type mismatch:
    auto bad   = my_ten.flat();

TTypes< T >::ConstFlat flat() const 

TTypes< T, NDIMS >::Tensor flat_inner_dims()

TTypes< T, NDIMS >::ConstTensor flat_inner_dims() const 

TTypes< T, NDIMS >::Tensor flat_inner_outer_dims(
  int64 begin
)

TTypes< T, NDIMS >::ConstTensor flat_inner_outer_dims(
  int64 begin
) const 

TTypes< T, NDIMS >::Tensor flat_outer_dims()

TTypes< T, NDIMS >::ConstTensor flat_outer_dims() const 

TTypes< T >::Matrix matrix()

TTypes< T >::ConstMatrix matrix() const 

Tensor & operator=(
  const Tensor & other
)

Tensor & operator=(
  Tensor && other
)

TTypes< T, NDIMS >::Tensor reinterpret_last_dimension()

TTypes< T, NDIMS >::ConstTensor reinterpret_last_dimension() const 

TTypes< T >::Scalar scalar()

TTypes< T >::ConstScalar scalar() const 

const TensorShape & shape() const 

TTypes< T, NDIMS >::Tensor shaped(
  gtl::ArraySlice< int64 > new_sizes
)

TTypes< T, NDIMS >::ConstTensor shaped(
  gtl::ArraySlice< int64 > new_sizes
) const 

TTypes< T, NDIMS >::Tensor tensor()

TTypes< T, NDIMS >::ConstTensor tensor() const 

StringPiece tensor_data() const 

TTypes< T >::UnalignedFlat unaligned_flat()

TTypes< T >::UnalignedConstFlat unaligned_flat() const 

TTypes< T, NDIMS >::UnalignedTensor unaligned_shaped(
  gtl::ArraySlice< int64 > new_sizes
)

TTypes< T, NDIMS >::UnalignedConstTensor unaligned_shaped(
  gtl::ArraySlice< int64 > new_sizes
) const 

TTypes< T >::Vec vec()