tensorflow::ops::ResourceScatterNdUpdate

ใช้ updates แบบกระจัดกระจายกับค่าแต่ละค่าหรือส่วนย่อยภายในค่าที่กำหนด

สรุป

ตัวแปรตาม indices

ref เป็น Tensor ที่มีอันดับ P และ indices เป็น Tensor ที่มีอันดับ Q

indices ต้องเป็นเทนเซอร์จำนวนเต็ม ซึ่งประกอบด้วยดัชนีไปยัง ref ต้องมีรูปร่าง [d_0, ..., d_{Q-2}, K] โดยที่ 0 < K <= P

มิติภายในสุดของ indices (ที่มีความยาว K ) สอดคล้องกับดัชนีในองค์ประกอบ (ถ้า K = P ) หรือส่วนย่อย (ถ้า K < P ) ตามมิติที่ K ของ ref

updates คือ Tensor ที่มีอันดับ Q-1+PK และมีรูปร่างดังนี้:

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

ตัวอย่างเช่น สมมติว่าเราต้องการอัปเดตองค์ประกอบที่กระจัดกระจาย 4 ตัวในเทนเซอร์อันดับ 1 ให้มี 8 องค์ประกอบ ใน Python การอัปเดตนั้นจะมีลักษณะดังนี้:

    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)

การอัปเดตข้อมูลอ้างอิงที่ได้จะมีลักษณะดังนี้:

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

ดู tf.scatter_nd สำหรับรายละเอียดเพิ่มเติมเกี่ยวกับวิธีการอัปเดตสไลซ์

ข้อโต้แย้ง:

• ขอบเขต: วัตถุ ขอบเขต
• อ้างอิง: ตัวจัดการทรัพยากร ต้องมาจาก VarHandleOp
• ดัชนี: เทนเซอร์ ต้องเป็นหนึ่งในประเภทต่อไปนี้: int32, int64 เทนเซอร์ของดัชนีไปยัง ref
• การอัปเดต: เทนเซอร์ ต้องมีประเภทเดียวกับค่าอ้างอิง เทนเซอร์ของค่าที่อัปเดตแล้วที่จะเพิ่มลงในค่าอ้างอิง

คุณลักษณะเสริม (ดูที่ Attrs ):

• use_locking: ค่าบูลีนที่ไม่บังคับ ค่าเริ่มต้นคือ True ถ้าเป็น True การกำหนดค่าจะได้รับการป้องกันด้วยล็อก มิเช่นนั้นพฤติกรรมจะไม่แน่นอน แต่การแย่งใช้ทรัพยากรอาจน้อยลง

การส่งคืนสินค้า:

• Operation ที่สร้างขึ้น

คุณลักษณะสาธารณะ

Operation operation

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

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

 operator::tensorflow::Operation() const 

Attrs UseLocking(
  bool x
)