MatrixDiagPartV3

מחזירה את החלק האלכסוני המצטבר של טנזור אצווה.

מחזירה טנזור עם האלכסונים של `k[0]`-th עד `k[1]`-th של `הקלט` המצטבר.

נניח של"קלט" יש ממדי "r" "[I, J, ..., L, M, N]". תן `max_diag_len` להיות האורך המקסימלי מבין כל האלכסונים שיש לחלץ, `max_diag_len = min(M + min(k[1], 0), N + min(-k[0], 0))` תן `num_diags` להיות מספר האלכסונים לחלץ, `num_diags = k[1] - k[0] + 1`.

אם `num_diags == 1`, טנסור הפלט הוא בדרגה `r - 1` עם הצורה `[I, J, ..., L, max_diag_len]` וערכים:

diagonal[i, j, ..., l, n]
   = input[i, j, ..., l, n+y, n+x] ; if 0 <= n+y < M and 0 <= n+x < N,
     padding_value                 ; otherwise.
 

כאשר `y = max(-k [1], 0)`, `x = max(k[1], 0)`.

אחרת, לטנזור הפלט יש דירוג `r` עם מידות `[I, J, ..., L, num_diags, max_diag_len]` עם ערכים:

diagonal[i, j, ..., l, m, n]
   = input[i, j, ..., l, n+y, n+x] ; if 0 <= n+y < M and 0 <= n+x < N,
     padding_value                 ; otherwise.
 

כאשר `d = k[1] - m`, `y = max(-d, 0) - offset`, ו-`x = max(d, 0) - offset`.

'היסט' הוא אפס למעט כאשר היישור של האלכסון הוא ימינה.

offset = max_diag_len - diag_len(d) ; if (`align` in {RIGHT_LEFT, RIGHT_RIGHT
                                            and `d >= 0`) or
                                          (`align` in {LEFT_RIGHT, RIGHT_RIGHT}
                                            and `d <= 0`)
          0                          ; otherwise
 }

שבו `diag_len(d) = min(cols - max(d, 0), rows + min(d, 0))`.

הקלט חייב להיות לפחות מטריצה.

לדוגמה:

input = np.array([[[1, 2, 3, 4],  # Input shape: (2, 3, 4)
                    [5, 6, 7, 8],
                    [9, 8, 7, 6]],
                   [[5, 4, 3, 2],
                    [1, 2, 3, 4],
                    [5, 6, 7, 8]]])
 
 # A main diagonal from each batch.
 tf.matrix_diag_part(input) ==> [[1, 6, 7],  # Output shape: (2, 3)
                                 [5, 2, 7]]
 
 # A superdiagonal from each batch.
 tf.matrix_diag_part(input, k = 1)
   ==> [[2, 7, 6],  # Output shape: (2, 3)
        [4, 3, 8]]
 
 # A band from each batch.
 tf.matrix_diag_part(input, k = (-1, 2))
   ==> [[[0, 3, 8],  # Output shape: (2, 4, 3)
         [2, 7, 6],
         [1, 6, 7],
         [5, 8, 0]],
        [[0, 3, 4],
         [4, 3, 8],
         [5, 2, 7],
         [1, 6, 0]]]
 
 # LEFT_RIGHT alignment.
 tf.matrix_diag_part(input, k = (-1, 2), align="LEFT_RIGHT")
   ==> [[[3, 8, 0],  # Output shape: (2, 4, 3)
         [2, 7, 6],
         [1, 6, 7],
         [0, 5, 8]],
        [[3, 4, 0],
         [4, 3, 8],
         [5, 2, 7],
         [0, 1, 6]]]
 
 # max_diag_len can be shorter than the main diagonal.
 tf.matrix_diag_part(input, k = (-2, -1))
   ==> [[[5, 8],
         [9, 0]],
        [[1, 6],
         [5, 0]]]
 
 # padding_value = 9
 tf.matrix_diag_part(input, k = (1, 3), padding_value = 9)
   ==> [[[9, 9, 4],  # Output shape: (2, 3, 3)
         [9, 3, 8],
         [2, 7, 6]],
        [[9, 9, 2],
         [9, 3, 4],
         [4, 3, 8]]]