MatrixDiag

Retorna um tensor diagonal em lote com os valores diagonais em lote fornecidos.

Retorna um tensor com o conteúdo em `diagonal` como` k [0] `-ésima a` k [1] `-ésima diagonais de uma matriz, com todo o resto preenchido com` preenchimento`. `num_rows` e` num_cols` especificam a dimensão da matriz mais interna da saída. Se ambos não forem especificados, o op assume que a matriz mais interna é quadrada e infere seu tamanho de `k` e a dimensão mais interna de` diagonal`. Se apenas um deles for especificado, o op assume que o valor não especificado é o menor possível com base em outros critérios.

Deixe `diagonal` ter dimensões` r` `[I, J, ..., L, M, N]`. O tensor de saída tem classificação `r + 1` com a forma` [I, J, ..., L, M, núm_rows, núm_coletas] `quando apenas uma diagonal é fornecida (` k` é um inteiro ou `k [0] == k [1] `). Caso contrário, ele tem classificação `r` com forma` [I, J, ..., L, núm_rows, núm_coletas] `.

A segunda dimensão mais interna de `diagonal` tem duplo significado. Quando `k` é escalar ou` K [0] == k [1] `,` M` faz parte do tamanho do lote [i, j, ..., M], e o tensor de saída é:

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

Caso contrário, `M` é tratado como o número de diagonais para a matriz no mesmo lote (` M = k [1] -k [0] + 1`), e o tensor de saída é:

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

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

Por exemplo:

# 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]]