TensorScatterSub

publiczna klasa końcowa TensorScatterSub

Odejmuje rzadkie „aktualizacje” od istniejącego tensora zgodnie z „indeksami”.

Ta operacja tworzy nowy tensor, odejmując rzadkie „aktualizacje” od przekazanego „tensora”. Ta operacja jest bardzo podobna do `tf.scatter_nd_sub`, z tą różnicą, że aktualizacje są odejmowane od istniejącego tensora (w przeciwieństwie do zmiennej). Jeśli nie można ponownie wykorzystać pamięci istniejącego tensora, tworzona jest i aktualizowana kopia.

„indeksy” to tensor liczb całkowitych zawierający indeksy w nowym tensorze kształtu „shape”. Ostatni wymiar „wskaźników” może mieć co najwyżej rangę „kształtu”:

indeksy.kształt[-1] <= kształt.rank

Ostatni wymiar „indeksu” odpowiada indeksom na elementy (jeśli „indices.shape[-1] = kształt.rank”) lub plasterki (jeśli „indices.shape[-1] < kształt.rank”) wzdłuż wymiaru „indeksy” .shape[-1]` z `kształt`. „aktualizacje” to tensor z kształtem

indeksy.kształt[:-1] + kształt[indeksy.kształt[-1]:]

Najprostszą formą tensor_scatter_sub jest odjęcie poszczególnych elementów od tensora według indeksu. Załóżmy na przykład, że chcemy wstawić 4 rozproszone elementy do tensora rangi 1 z 8 elementami.

W Pythonie ta operacja odejmowania punktowego wyglądałaby tak:

indices = tf.constant([[4], [3], [1], [7]])
     updates = tf.constant([9, 10, 11, 12])
     tensor = tf.ones([8], dtype=tf.int32)
     updated = tf.tensor_scatter_nd_sub(tensor, indices, updates)
     print(updated)
 
Wynikowy tensor wyglądałby tak:

[1, -10, 1, -9, -8, 1, 1, -11]

Możemy także wstawić na raz całe wycinki tensora wyższego rzędu. Na przykład, gdybyśmy chcieli wstawić dwa wycinki w pierwszym wymiarze tensora rangi 3 z dwiema macierzami o nowych wartościach.

W Pythonie ta operacja dodawania rozproszenia wyglądałaby tak:

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]]])
     tensor = tf.ones([4, 4, 4],dtype=tf.int32)
     updated = tf.tensor_scatter_nd_sub(tensor, indices, updates)
     print(updated)
 
Wynikowy tensor wyglądałby tak:

[[[-4, -4, -4, -4], [-5, -5, -5, -5], [-6, -6, -6, -6], [-7, -7 , -7, -7]], [[1, 1, 1, 1], [1, 1, 1, 1], [1, 1, 1, 1], [1, 1, 1, 1]] , [[-4, -4, -4, -4], [-5, -5, -5, -5], [-6, -6, -6, -6], [-7, -7 , -7, -7]], [[1, 1, 1, 1], [1, 1, 1, 1], [1, 1, 1, 1], [1, 1, 1, 1]] ]

Należy pamiętać, że na procesorze, jeśli zostanie znaleziony indeks spoza limitu, zwracany jest błąd. Jeśli na GPU zostanie znaleziony indeks spoza limitu, zostanie on zignorowany.

Metody publiczne

Wyjście <T>
jako wyjście ()
Zwraca symboliczny uchwyt tensora.
statyczny <T, U rozszerza numer> TensorScatterSub <T>
utwórz (zakres zakresu , tensor argumentu <T>, indeksy argumentu <U>, aktualizacje argumentu <T>)
Metoda fabryczna służąca do tworzenia klasy opakowującej nową operację TensorScatterSub.
Wyjście <T>
wyjście ()
Nowy tensor skopiowany z tensora i aktualizacje odjęte zgodnie z indeksami.

Metody dziedziczone

Metody publiczne

publiczne wyjście <T> asOutput ()

Zwraca symboliczny uchwyt tensora.

Dane wejściowe operacji TensorFlow są wynikami innej operacji TensorFlow. Ta metoda służy do uzyskania symbolicznego uchwytu reprezentującego obliczenia danych wejściowych.

public static TensorScatterSub <T> utwórz ( zakres zakresu , tensor argumentu <T>, indeksy argumentu <U>, aktualizacje argumentu <T>)

Metoda fabryczna służąca do tworzenia klasy opakowującej nową operację TensorScatterSub.

Parametry
zakres aktualny zakres
napinacz Tensor do kopiowania/aktualizowania.
indeksy Tensor indeksu.
aktualizacje Aktualizacje do rozproszenia na wyjściu.
Zwroty
  • nowa instancja TensorScatterSub

publiczne wyjście <T> wyjście ()

Nowy tensor skopiowany z tensora i aktualizacje odjęte zgodnie z indeksami.