MatrixDiagV2

প্রদত্ত ব্যাচ করা তির্যক মান সহ একটি ব্যাচড তির্যক টেনসর প্রদান করে।

একটি ম্যাট্রিক্সের `k[0]`-th থেকে `k[1]`-তম কর্ণ হিসাবে `কর্ণ` এর বিষয়বস্তু সহ একটি টেনসর প্রদান করে, বাকি সবকিছু `প্যাডিং` দিয়ে প্যাড করে। `num_rows` এবং `num_cols` আউটপুটের অন্তর্নিহিত ম্যাট্রিক্সের মাত্রা নির্দিষ্ট করে। যদি উভয়টি নির্দিষ্ট করা না থাকে, op অনুমান করে সবচেয়ে ভিতরের ম্যাট্রিক্সটি বর্গক্ষেত্র এবং `k` থেকে এর আকার এবং `তির্যক` এর ভেতরের মাত্রা অনুমান করে। যদি তাদের মধ্যে শুধুমাত্র একটি নির্দিষ্ট করা হয়, op অনুমান করে যে অনির্দিষ্ট মানটি অন্যান্য মানদণ্ডের উপর ভিত্তি করে সম্ভাব্য সবচেয়ে ছোট।

ধরুন `কর্ণ`-এর `r` মাত্রা আছে `[I, J, ..., L, M, N]`। আউটপুট টেনসরের আকৃতির সাথে `r+1` আছে `[I, J, ..., L, M, num_rows, num_cols]` যখন শুধুমাত্র একটি তির্যক দেওয়া হয় (`k` একটি পূর্ণসংখ্যা বা `k[0] == k[1]`)। অন্যথায়, এটির আকৃতির সাথে `r` আছে `[I, J, ..., L, num_rows, num_cols]`।

`তির্যক` এর দ্বিতীয় অন্তর্নিহিত মাত্রার দ্বিগুণ অর্থ রয়েছে। যখন `k` স্কেলার বা `k[0] == k[1]` হয়, তখন `M` ব্যাচ আকারের অংশ [I, J, ..., M] এবং আউটপুট টেনসর হল:

output[i, j, ..., l, m, n]
   = diagonal[i, j, ..., l, n-max(d_upper, 0)] ; if n - m == d_upper
     padding_value                             ; otherwise
 

অন্যথায়, একই ব্যাচে (`M = k[1]-k[0]+1`) ম্যাট্রিক্সের কর্ণের সংখ্যা হিসাবে `M` ধরা হয়, এবং আউটপুট টেনসর হল:

output[i, j, ..., l, m, n]
   = diagonal[i, j, ..., l, diag_index, index_in_diag] ; if k[0] <= d <= k[1]
     padding_value                                     ; otherwise
 

যেখানে `d = n - m`, `diag_index = k[1] - d`, এবং `index_in_diag = n - সর্বোচ্চ(d, 0)`।

যেমন:

# The main diagonal.
 diagonal = np.array([[1, 2, 3, 4],            # Input shape: (2, 4)
                      [5, 6, 7, 8]])
 tf.matrix_diag(diagonal) ==> [[[1, 0, 0, 0],  # Output shape: (2, 4, 4)
                                [0, 2, 0, 0],
                                [0, 0, 3, 0],
                                [0, 0, 0, 4]],
                               [[5, 0, 0, 0],
                                [0, 6, 0, 0],
                                [0, 0, 7, 0],
                                [0, 0, 0, 8]]]
 
 # A superdiagonal (per batch).
 diagonal = np.array([[1, 2, 3],  # Input shape: (2, 3)
                      [4, 5, 6]])
 tf.matrix_diag(diagonal, k = 1)
   ==> [[[0, 1, 0, 0],  # Output shape: (2, 4, 4)
         [0, 0, 2, 0],
         [0, 0, 0, 3],
         [0, 0, 0, 0]],
        [[0, 4, 0, 0],
         [0, 0, 5, 0],
         [0, 0, 0, 6],
         [0, 0, 0, 0]]]
 
 # A band of diagonals.
 diagonals = np.array([[[1, 2, 3],  # Input shape: (2, 2, 3)
                        [4, 5, 0]],
                       [[6, 7, 9],
                        [9, 1, 0]]])
 tf.matrix_diag(diagonals, k = (-1, 0))
   ==> [[[1, 0, 0],  # Output shape: (2, 3, 3)
         [4, 2, 0],
         [0, 5, 3]],
        [[6, 0, 0],
         [9, 7, 0],
         [0, 1, 9]]]
 
 # Rectangular matrix.
 diagonal = np.array([1, 2])  # Input shape: (2)
 tf.matrix_diag(diagonal, k = -1, num_rows = 3, num_cols = 4)
   ==> [[0, 0, 0, 0],  # Output shape: (3, 4)
        [1, 0, 0, 0],
        [0, 2, 0, 0]]
 
 # Rectangular matrix with inferred num_cols and padding_value = 9.
 tf.matrix_diag(diagonal, k = -1, num_rows = 3, padding_value = 9)
   ==> [[9, 9],  # Output shape: (3, 2)
        [1, 9],
        [9, 2]]