ParallelDynamicStitch

Xen kẽ các giá trị từ tensor `data` thành một tensor duy nhất.

Xây dựng một tensor đã hợp nhất sao cho

merged[indices[m][i, ..., j], ...] = data[m][i, ..., j, ...]
 

Ví dụ: nếu mỗi `indices[m]` là vô hướng hoặc vector, thì chúng ta có

# Scalar indices:
     merged[indices[m], ...] = data[m][...]
 
     # Vector indices:
     merged[indices[m][i], ...] = data[m][i, ...]
 

Mỗi `data[i].shape` phải bắt đầu bằng `indices[i] tương ứng. hình dạng` và phần còn lại của `data[i].shape` phải có dạng wrt không đổi `i`. Nghĩa là, chúng ta phải có `data[i].shape = chỉ số[i].shape + constant`. Xét về `hằng số` này, hình dạng đầu ra là

sáp nhập.shape = [max(chỉ số)] + hằng số

Các giá trị có thể được hợp nhất song song, do đó, nếu một chỉ mục xuất hiện trong cả `indices[m][i]` và `indices[n][j]`, kết quả có thể không hợp lệ. Điều này khác với toán tử DynamicStitch thông thường xác định hành vi trong trường hợp đó.

Ví dụ:

indices[0] = 6
     indices[1] = [4, 1]
     indices[2] = [[5, 2], [0, 3]]
     data[0] = [61, 62]
     data[1] = [[41, 42], [11, 12]]
     data[2] = [[[51, 52], [21, 22]], [[1, 2], [31, 32]]]
     merged = [[1, 2], [11, 12], [21, 22], [31, 32], [41, 42],
               [51, 52], [61, 62]]
 

Phương thức này có thể được sử dụng để hợp nhất các phân vùng được tạo bởi `dynamic_partition` như được minh họa trong ví dụ sau:

# Apply function (increments x_i) on elements for which a certain condition
     # apply (x_i != -1 in this example).
     x=tf.constant([0.1, -1., 5.2, 4.3, -1., 7.4])
     condition_mask=tf.not_equal(x,tf.constant(-1.))
     partitioned_data = tf.dynamic_partition(
         x, tf.cast(condition_mask, tf.int32) , 2)
     partitioned_data[1] = partitioned_data[1] + 1.0
     condition_indices = tf.dynamic_partition(
         tf.range(tf.shape(x)[0]), tf.cast(condition_mask, tf.int32) , 2)
     x = tf.dynamic_stitch(condition_indices, partitioned_data)
     # Here x=[1.1, -1., 6.2, 5.3, -1, 8.4], the -1. values remain
     # unchanged.