ลดการอัปเดตแบบกระจัดกระจายลงในตัวแปรที่อ้างอิงโดย "ทรัพยากร" โดยใช้การดำเนินการ "ขั้นต่ำ"
การดำเนินการนี้คำนวณ
# ดัชนีสเกลาร์ ref[indices, ...] = min(ref[indices, ...], อัปเดต[...])
# ดัชนีเวกเตอร์ (สำหรับแต่ละ i) ref[indices[i], ...] = min(ref[indices[i], ...], อัปเดต[i, ...])
# ดัชนีอันดับสูง (สำหรับแต่ละ i, ..., j) ref[indices[i, ..., j], ...] = min(ref[indices[i, ..., j], .. .], อัปเดต[i, ..., j, ...])
รายการที่ซ้ำกันได้รับการจัดการอย่างถูกต้อง: หาก `ดัชนี` หลายรายการอ้างอิงถึงตำแหน่งเดียวกัน การมีส่วนร่วมของรายการเหล่านั้นจะรวมกัน
ต้องใช้ `updates.shape = indices.shape + ref.shape[1:]` หรือ `updates.shape = []`
ค่าคงที่
สตริง | OP_NAME | ชื่อของ op นี้ ซึ่งรู้จักกันในชื่อของเอ็นจิ้นหลัก TensorFlow |
วิธีการสาธารณะ
ResourceScatterMin แบบคงที่ | สร้าง (ขอบเขต ขอบเขต ตัวดำเนินการ <?> ทรัพยากร ตัวดำเนินการ <? ขยาย TNumber > ดัชนี ตัวดำเนินการ <? ขยาย TType > อัปเดต) วิธีการจากโรงงานเพื่อสร้างคลาสที่รวมการดำเนินการ ResourceScatterMin ใหม่ |
วิธีการสืบทอด
ค่าคงที่
สตริงสุดท้ายแบบคงที่สาธารณะ OP_NAME
ชื่อของ op นี้ ซึ่งรู้จักกันในชื่อของเอ็นจิ้นหลัก TensorFlow
วิธีการสาธารณะ
ResourceScatterMin คงที่สาธารณะ สร้าง (ขอบเขต ขอบเขต , ตัวดำเนินการ <?> ทรัพยากร, ตัวดำเนินการ <? ขยาย TNumber > ดัชนี, ตัวดำเนินการ <? ขยาย TType > อัปเดต)
วิธีการจากโรงงานเพื่อสร้างคลาสที่รวมการดำเนินการ ResourceScatterMin ใหม่
พารามิเตอร์
ขอบเขต | ขอบเขตปัจจุบัน |
---|---|
ทรัพยากร | ควรมาจากโหนด "ตัวแปร" |
ดัชนี | เทนเซอร์ของดัชนีในมิติแรกของ 'การอ้างอิง' |
อัปเดต | เทนเซอร์ของค่าที่อัปเดตเพื่อเพิ่มลงใน `ref` |
การส่งคืน
- อินสแตนซ์ใหม่ของ ResourceScatterMin