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، آخرین به‌روزرسانی را برای فهرست انتخاب می‌کنیم.

اگر یک شاخص خارج از کران در CPU یافت شود، یک خطا برگردانده می شود.

اخطار : برخی از معنای خاص GPU برای این عملیات وجود دارد. - اگر یک نمایه خارج از کران یافت شود، شاخص نادیده گرفته می شود. - ترتیب اعمال به‌روزرسانی‌ها غیر قطعی است، بنابراین اگر «شاخص‌ها» دارای موارد تکراری باشند، خروجی غیر قطعی خواهد بود.

«شاخص‌ها» یک تانسور عدد صحیح است که شامل شاخص‌هایی در یک تانسور جدید به شکل «شکل» است.

• «شاخص‌ها» باید حداقل 2 محور داشته باشند: «(تعداد_به‌روزرسانی‌ها، index_depth)».
• آخرین محور «شاخص‌ها» این است که چقدر عمیق باید به «تانسور» نمایه شود، بنابراین این عمق شاخص باید کمتر از رتبه «تانسور» باشد: «indices.shape[-1] <= tensor.ndim».

اگر 'indices.shape[-1] = tensor.rank' این عملیات عناصر اسکالر را نمایه و به روز می کند. اگر «indices.shape[-1] < tensor.rank» برش‌هایی از «تانسور» ورودی را نمایه می‌کند و به‌روزرسانی می‌کند.

هر «به‌روزرسانی» دارای رتبه «tensor.rank - indices.shape[-1]» است. شکل کلی «به‌روزرسانی‌ها» این است:

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

برای مثال‌های استفاده، تابع پایتون [tf.tensor_scatter_nd_update] (https://www.tensorflow.org/api_docs/python/tf/tensor_scatter_nd_update) را ببینید.