جریان تنسور:: عملیات:: ScatterNdUpdate

updates پراکنده را برای مقادیر یا برش‌های فردی در یک داده اعمال می‌کند.

خلاصه

متغیر با توجه به indices

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 به تانسور رتبه-1 به 8 عنصر به روز کنیم. در پایتون، این به روز رسانی به صورت زیر است:

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

به روز رسانی به ref به این شکل خواهد بود:

[1, 11, 3, 10, 9, 6, 7, 12]

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

همچنین tf.scatter_update و tf.batch_scatter_update را ببینید.

استدلال ها:

• scope: یک شی Scope
• مرجع: یک تانسور قابل تغییر. باید از یک گره متغیر 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 به روز شده 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:

• Output : همان ref. برای عملیاتی که می‌خواهند پس از انجام به‌روزرسانی از مقادیر به‌روزشده استفاده کنند، به‌عنوان سهولت بازگردانده شد.

صفات عمومی

Operation operation

::tensorflow::Output output_ref

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

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

::tensorflow::Node * node() const 

 operator::tensorflow::Input() const 

 operator::tensorflow::Output() const 

Attrs UseLocking(
  bool x
)