Dispersa las `actualizaciones` en un nuevo tensor de acuerdo con los` índices`.
Crea un nuevo tensor aplicando "actualizaciones" escasas a valores individuales o porciones dentro de un tensor (inicialmente cero para numérico, vacío para cadena) de la "forma" dada según índices. Este operador es el inverso del operador `tf.gather_nd` que extrae valores o cortes de un tensor dado.
Esta operación es similar a tensor_scatter_add, excepto que el tensor se inicializa a cero. Llamar a `tf.scatter_nd (índices, valores, forma)` es idéntico a `tensor_scatter_add (tf.zeros (forma, valores.dtype), índices, valores)`
Si "índices" contiene duplicados, sus actualizaciones se acumulan (suman).
ADVERTENCIA : El orden en el que se aplican las actualizaciones no es determinista, por lo que la salida no será determinista si los "índices" contienen duplicados; debido a algunos problemas de aproximación numérica, los números sumados en un orden diferente pueden producir resultados diferentes.
`índices` es un tensor entero que contiene índices en un nuevo tensor de forma` forma`. La última dimensión de "índices" puede ser como máximo el rango de "forma":
indices.shape [-1] <= shape.rank
La última dimensión de `índices` corresponde a índices en elementos (si` indices.shape [-1] = shape.rank`) o rebanadas (si `indices.shape [-1] <shape.rank`) a lo largo de la dimensión` índices .shape [-1] `de` shape`. `updates` es un tensor con forma
indices.shape [: - 1] + forma [indices.shape [-1]:]
La forma más simple de dispersión es insertar elementos individuales en un tensor por índice. Por ejemplo, digamos que queremos insertar 4 elementos dispersos en un tensor de rango 1 con 8 elementos.
En Python, esta operación de dispersión se vería así:
indices = tf.constant([[4], [3], [1], [7]])
updates = tf.constant([9, 10, 11, 12])
shape = tf.constant([8])
scatter = tf.scatter_nd(indices, updates, shape)
print(scatter)
El tensor resultante se vería así:[0, 11, 0, 10, 9, 0, 0, 12]
También podemos insertar secciones enteras de un tensor de rango superior de una vez. Por ejemplo, si quisiéramos insertar dos rebanadas en la primera dimensión de un tensor de rango 3 con dos matrices de nuevos valores.
En Python, esta operación de dispersión se vería así:
indices = tf.constant([[0], [2]])
updates = tf.constant([[[5, 5, 5, 5], [6, 6, 6, 6],
[7, 7, 7, 7], [8, 8, 8, 8]],
[[5, 5, 5, 5], [6, 6, 6, 6],
[7, 7, 7, 7], [8, 8, 8, 8]]])
shape = tf.constant([4, 4, 4])
scatter = tf.scatter_nd(indices, updates, shape)
print(scatter)
El tensor resultante se vería así:[[[5, 5, 5, 5], [6, 6, 6, 6], [7, 7, 7, 7], [8, 8, 8, 8]], [[0, 0, 0 , 0], [0, 0, 0, 0], [0, 0, 0, 0], [0, 0, 0, 0]], [[5, 5, 5, 5], [6, 6 , 6, 6], [7, 7, 7, 7], [8, 8, 8, 8]], [[0, 0, 0, 0], [0, 0, 0, 0], [0 , 0, 0, 0], [0, 0, 0, 0]]]
Tenga en cuenta que en la CPU, si se encuentra un índice fuera del límite, se devuelve un error. En GPU, si se encuentra un índice fuera del límite, el índice se ignora.
Métodos públicos
Salida <U> | asOutput () Devuelve el identificador simbólico de un tensor. |
estática <U, T extiende Número> ScatterNd <U> | |
Salida <U> | salida () Un nuevo tensor con la forma dada y actualizaciones aplicadas según los índices. |
Métodos heredados
Métodos públicos
Salida pública <U> asOutput ()
Devuelve el identificador simbólico de un tensor.
Las entradas a las operaciones de TensorFlow son salidas de otra operación de TensorFlow. Este método se utiliza para obtener un identificador simbólico que representa el cálculo de la entrada.
public static ScatterNd <U> crear ( Alcance alcance, operando <T> índices, operando <U> actualizaciones, operando <T> forma)
Método de fábrica para crear una clase que envuelva una nueva operación ScatterNd.
Parámetros
alcance | alcance actual |
---|---|
índices | Tensor de índice. |
actualizaciones | Actualizaciones para dispersar en la salida. |
forma | 1-D. La forma del tensor resultante. |
Devoluciones
- una nueva instancia de ScatterNd
salida pública <U> salida ()
Un nuevo tensor con la forma dada y actualizaciones aplicadas según los índices.