MatrixDiag

Devuelve un tensor diagonal por lotes con valores diagonales por lotes dados.

Devuelve un tensor con el contenido en `diagonal` como` k [0] `-th a` k [1] `-th diagonales de una matriz, con todo lo demás relleno con` padding`. `num_rows` y` num_cols` especifican la dimensión de la matriz más interna de la salida. Si no se especifican ambos, la operación asume que la matriz más interna es cuadrada e infiere su tamaño de "k" y la dimensión más interna de la "diagonal". Si solo se especifica uno de ellos, la operación asume que el valor no especificado es el más pequeño posible según otros criterios.

Sea `diagonal` las dimensiones de` r` [I, J, ..., L, M, N] `. El tensor de salida tiene rango `r + 1` con forma` [I, J, ..., L, M, num_rows, num_cols] `cuando solo se da una diagonal (` k` es un número entero o `k [0] == k [1] `). De lo contrario, tiene rango `r` con forma` [I, J, ..., L, num_rows, num_cols] `.

La segunda dimensión más interna de "diagonal" tiene doble significado. Cuando `K` es escalar o` k [0] == k [1] `,` M` es parte del tamaño del lote [I, J, ..., M], y el tensor de salida es:

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

de lo contrario, `M` se trata como el número de diagonales de la matriz en el mismo lote (` M = k [1] -k [0] + 1`), y el tensor de salida es:

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

donde `d = n - m`, `diag_index = k [1] - d` y` index_in_diag = n - max (d, 0) `.

Por ejemplo:

# 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]]