جریان تنسور:: عملیات:: ResourceScatterNdSub

تفریق پراکنده را برای مقادیر یا برش های فردی در یک متغیر اعمال می کند.

خلاصه

ref یک Tensor با رتبه P و indices Tensor رتبه Q است.

indices باید تانسور عدد صحیح باشند و شامل اندیس هایی در ref باشند. باید شکل [d_0, ..., d_{Q-2}, K] باشد که در آن 0 < K <= P .

درونی‌ترین بعد indices (با طول K ) مربوط به شاخص‌هایی به عناصر (اگر K = P ) یا برش‌هایی (اگر K < P ) در امتداد بعد K ام ref است.

updates Tensor رتبه Q-1+PK با شکل:

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

به عنوان مثال، فرض کنید می خواهیم 4 عنصر پراکنده را از یک تانسور رتبه-1 با 8 عنصر کم کنیم. در پایتون، این تفریق به صورت زیر 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 روز رسانی به ref به این شکل خواهد بود:

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

برای جزئیات بیشتر درباره نحوه به‌روزرسانی برش‌ها tf.scatter_nd را ببینید.

استدلال ها:

• scope: یک شی Scope
• ref: دسته منبع. باید از یک VarHandleOp باشد.
• شاخص ها: A Tensor . باید یکی از انواع زیر باشد: int32، int64. تانسوری از شاخص ها به رفر.
• به روز رسانی: یک تانسور . باید همان نوع ref را داشته باشد. تانسوری از مقادیر برای افزودن به مرجع.

ویژگی های اختیاری (به Attrs مراجعه کنید):

• use_locking: یک bool اختیاری. پیش فرض ها به True. اگر True باشد، انتساب توسط یک قفل محافظت می شود. در غیر این صورت رفتار تعریف نشده است، اما ممکن است اختلاف کمتری از خود نشان دهد.

برمی‌گرداند:

• 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
)