TensorScatterUpdate

«به‌روزرسانی‌ها» را با توجه به «شاخص‌ها» در یک تانسور موجود پراکنده کنید.

این عملیات با اعمال «به‌روزرسانی‌های» پراکنده در «تانسور» یک تانسور جدید ایجاد می‌کند. این عملیات بسیار شبیه به «tf.scatter_nd» است، با این تفاوت که به‌روزرسانی‌ها روی یک تانسور موجود پراکنده می‌شوند (برخلاف تانسور صفر). اگر حافظه تانسور موجود قابل استفاده مجدد نباشد، یک کپی ساخته شده و به روز می شود.

اگر «شاخص‌ها» دارای موارد تکراری باشد، به‌روزرسانی‌های آن‌ها انباشته می‌شوند (جمع می‌شوند).

اخطار : ترتیب اعمال به‌روزرسانی‌ها غیر قطعی است، بنابراین اگر «شاخص‌ها» دارای موارد تکراری باشند، خروجی غیر قطعی خواهد بود - به دلیل برخی مسائل تقریب عددی، اعدادی که به ترتیب متفاوت جمع‌بندی می‌شوند ممکن است نتایج متفاوتی به همراه داشته باشند.

«شاخص‌ها» یک تانسور عدد صحیح است که شامل شاخص‌هایی در یک تانسور جدید به شکل «شکل» است. آخرین بعد «شاخص‌ها» حداکثر می‌تواند رتبه «شکل» باشد:

indices.shape[-1] <= shape.rank

آخرین بعد «شاخص‌ها» مربوط به شاخص‌ها در عناصر (اگر «indices.shape[-1] = shape.rank») یا برش‌ها (اگر «indices.shape[-1] < shape.rank») در امتداد «شاخص‌ها» است. شکل[-1]` از «شکل». "به روز رسانی" یک تانسور با شکل است

indices.shape[:-1] + shape[indices.shape[-1]:]

ساده ترین شکل پراکندگی این است که عناصر منفرد را با شاخص در یک تانسور وارد کنید. به عنوان مثال، فرض کنید می خواهیم 4 عنصر پراکنده را در یک تانسور رتبه-1 با 8 عنصر وارد کنیم.

در پایتون، این عمل پراکندگی به صورت زیر است:

>>> شاخص = tf.constant([[4]، [3]، [1]، [7]]) >>> به روز رسانی = tf.constant([9, 10, 11, 12]) >>> تانسور = tf.ones([8]، dtype=tf.int32) >>> print(tf.tensor_scatter_nd_update(tensor، شاخص ها، به روز رسانی ها)) tf.Tensor([ 1 11 1 10 9 1 1 12], shape=(8 ,)، dtype=int32)

همچنین می‌توانیم تمام برش‌های یک تانسور رتبه بالاتر را به یکباره وارد کنیم. به عنوان مثال، اگر بخواهیم دو برش را در بعد اول یک تانسور رتبه-3 با دو ماتریس از مقادیر جدید وارد کنیم.

در پایتون، این عمل پراکندگی به صورت زیر است:

>>> شاخص = tf.constant([[0]، [2]]) >>> به روز رسانی = 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]]]) >>> تانسور = tf.ones([4, 4, 4], dtype=tf.int32) >>> چاپ (tf.tensor_scatter_nd_update(تانسور، شاخص‌ها، به‌روزرسانی‌ها). numpy()) [[[5 5 55] [6 6 6 6] [7 7 7 7] [8 8 8 8]] [[1 1 1 1] [1 1 1 1] [1 1 1 1] [1 1 1 1]] [[5 5 5 5] [6 6 6 6] [7 7 7 7] [8 8 8 8]] [[1 1 1] 1] [1 1 1 1] [1 1 1 1] [1 1 1 1]]]

توجه داشته باشید که در CPU، اگر یک نمایه خارج از کران پیدا شود، یک خطا برگردانده می شود. در GPU، اگر یک نمایه خارج از کران پیدا شود، شاخص نادیده گرفته می شود.