MatrixDiagV2

کلاس نهایی عمومی MatrixDiagV2

یک تانسور مورب دسته‌ای را با مقادیر مورب دسته‌ای داده شده برمی‌گرداند.

تانسوری را با محتویات «مورب» به صورت قطرهای «k[0]»-th به «k[1]»-امین یک ماتریس برمی‌گرداند، و هر چیز دیگری با «padding» پر شده است. 'num_rows' و 'num_cols' بعد داخلی ترین ماتریس خروجی را مشخص می کنند. اگر هر دو مشخص نشده باشند، op داخلی ترین ماتریس را مربع فرض می کند و اندازه آن را از «k» و درونی ترین بعد «مورب» استنباط می کند. اگر فقط یکی از آنها مشخص شده باشد، op فرض می کند که مقدار نامشخص بر اساس معیارهای دیگر کوچکترین مقدار ممکن است.

اجازه دهید «مورب» دارای ابعاد «r» باشد «[I، J، ...، L، M، N]». تانسور خروجی دارای رتبه «r+1» با شکل «[I، J، ...، L، M، تعداد_ردیف‌ها، num_cols]» است که فقط یک قطر داده می‌شود (k» یک عدد صحیح است یا «k[0] == k[1]`). در غیر این صورت، دارای رتبه «r» با شکل «[I، J، ...، L، num_rows، num_cols]» است.

دومین بعد درونی «مورب» معنایی دوگانه دارد. وقتی «k» اسکالر یا «k[0] == k[1]» است، «M» بخشی از اندازه دسته [I، J، ...، M] است و تانسور خروجی:

output[i, j, ..., l, m, n]
   = diagonal[i, j, ..., l, n-max(d_upper, 0)] ; if n - m == d_upper
     padding_value                             ; otherwise
 
در غیر این صورت، "M" به عنوان تعداد قطرهای ماتریس در همان دسته در نظر گرفته می شود ("M = k[1]-k[0]+1")، و تانسور خروجی:
output[i, j, ..., l, m, n]
   = diagonal[i, j, ..., l, diag_index, index_in_diag] ; if k[0] <= d <= k[1]
     padding_value                                     ; otherwise
 
جایی که "d = n - m"، "diag_index = k[1] - d"، و "index_in_diag = n - max(d, 0)".

به عنوان مثال:

# 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]]
 

روش های عمومی

خروجی <T>
asOutput ()
دسته نمادین یک تانسور را برمی‌گرداند.
استاتیک <T> MatrixDiagV2 <T>
ایجاد ( scope scope، عملوند <T> مورب، عملوند <Integer> k، عملوند <Integer> numRows، عملوند <Integer> numCols، عملوند <T> paddingValue)
روش کارخانه برای ایجاد کلاسی که یک عملیات جدید MatrixDiagV2 را بسته بندی می کند.
خروجی <T>
خروجی ()
هنگامی که «k» یک عدد صحیح است یا «k[0] == k[1]» دارای رتبه «r+1» است، در غیر این صورت «r» را رتبه بندی کنید.

روش های ارثی

روش های عمومی

خروجی عمومی <T> asOutput ()

دسته نمادین یک تانسور را برمی‌گرداند.

ورودی های عملیات TensorFlow خروجی های عملیات تنسورفلو دیگر هستند. این روش برای به دست آوردن یک دسته نمادین که نشان دهنده محاسبه ورودی است استفاده می شود.

استاتیک عمومی MatrixDiagV2 <T> ایجاد ( scope scope، عملوند <T> مورب، عملوند <Integer> k، عملوند <Integer> numRows، عملوند <Integer> numCols، عملوند <T> paddingValue)

روش کارخانه برای ایجاد کلاسی که یک عملیات جدید MatrixDiagV2 را بسته بندی می کند.

پارامترها
دامنه محدوده فعلی
مورب رتبه `r`، جایی که `r >= 1`
ک افست (های) مورب. مقدار مثبت به معنای ابر قطری، 0 به قطر اصلی و مقدار منفی به معنای قطرهای فرعی است. `k` می تواند یک عدد صحیح منفرد (برای یک مورب) یا یک جفت اعداد صحیح باشد که انتهای پایین و بالای یک باند ماتریس را مشخص می کند. «k[0]» نباید بزرگتر از «k[1]» باشد.
numRows تعداد ردیف های ماتریس خروجی. اگر ارائه نشده باشد، عملیات ماتریس خروجی را یک ماتریس مربع فرض می‌کند و اندازه ماتریس را از k و درونی‌ترین بعد «مورب» استنتاج می‌کند.
numCols تعداد ستون های ماتریس خروجی اگر ارائه نشده باشد، عملیات ماتریس خروجی را یک ماتریس مربع فرض می‌کند و اندازه ماتریس را از k و درونی‌ترین بعد «مورب» استنتاج می‌کند.
paddingValue عددی که باید ناحیه خارج از نوار مورب مشخص شده را با آن پر کنید. پیش فرض 0 است.
برمی گرداند
  • یک نمونه جدید از MatrixDiagV2

خروجی عمومی <T> خروجی ()

هنگامی که «k» یک عدد صحیح است یا «k[0] == k[1]» دارای رتبه «r+1» است، در غیر این صورت «r» را رتبه بندی کنید.