MatrixDiagV3

کلاس نهایی عمومی MatrixDiagV3

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
که در آن "d = n - m"، "diag_index = [k] - d"، و "index_in_diag = n - max(d, 0) + offset".

"offset" صفر است مگر زمانی که تراز مورب به سمت راست باشد.

offset = max_diag_len - diag_len(d) ; if (`align` in {RIGHT_LEFT, RIGHT_RIGHT
                                            and `d >= 0`) or
                                          (`align` in {LEFT_RIGHT, RIGHT_RIGHT}
                                            and `d <= 0`)
          0                          ; otherwise
 }
 که در آن `diag_len(d) = min(cols - max(d, 0)، ردیف + min(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 tridiagonal band (per batch).
 diagonals = np.array([[[0, 8, 9],  # Input shape: (2, 2, 3)
                        [1, 2, 3],
                        [4, 5, 0]],
                       [[0, 2, 3],
                        [6, 7, 9],
                        [9, 1, 0]]])
 tf.matrix_diag(diagonals, k = (-1, 1))
   ==> [[[1, 8, 0],  # Output shape: (2, 3, 3)
         [4, 2, 9],
         [0, 5, 3]],
        [[6, 2, 0],
         [9, 7, 3],
         [0, 1, 9]]]
 
 # LEFT_RIGHT alignment.
 diagonals = np.array([[[8, 9, 0],  # Input shape: (2, 2, 3)
                        [1, 2, 3],
                        [0, 4, 5]],
                       [[2, 3, 0],
                        [6, 7, 9],
                        [0, 9, 1]]])
 tf.matrix_diag(diagonals, k = (-1, 1), align="LEFT_RIGHT")
   ==> [[[1, 8, 0],  # Output shape: (2, 3, 3)
         [4, 2, 9],
         [0, 5, 3]],
        [[6, 2, 0],
         [9, 7, 3],
         [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]]

کلاس های تو در تو

کلاس MatrixDiagV3.Options ویژگی های اختیاری برای MatrixDiagV3

ثابت ها

رشته OP_NAME نام این عملیات، همانطور که توسط موتور هسته TensorFlow شناخته می شود

روش های عمومی

استاتیک MatrixDiagV3.Options
تراز کردن (تراز رشته)
خروجی <T>
asOutput ()
دسته نمادین تانسور را برمی گرداند.
static <T TType > MatrixDiagV3 <T> را گسترش می دهد
ایجاد ( scope scope، Operand <T> مورب، Operand < TInt32 > k، Operand < TInt32 > numRows، Operand < TInt32 > numCols، Operand <T> paddingValue، Options... گزینه‌ها)
روش کارخانه برای ایجاد کلاسی که یک عملیات جدید MatrixDiagV3 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

ثابت ها

رشته نهایی ثابت عمومی OP_NAME

نام این عملیات، همانطور که توسط موتور هسته TensorFlow شناخته می شود

مقدار ثابت: "MatrixDiagV3"

روش های عمومی

عمومی استاتیک MatrixDiagV3. Options align (String align)

پارامترها
تراز کردن برخی از مورب‌ها کوتاه‌تر از «max_diag_len» هستند و باید روی آن‌ها قرار داده شوند. «align» رشته‌ای است که مشخص می‌کند به ترتیب چگونه ابرمورب‌ها و زیر قطرها باید تراز شوند. چهار تراز احتمالی وجود دارد: «RIGHT_LEFT» (پیش‌فرض)، «LEFT_RIGHT»، «LEFT_LEFT» و «RIGHT_RIGHT». "RIGHT_LEFT" ابرمورب ها را به سمت راست تراز می کند (ردیف را به سمت چپ قرار می دهد) و قطرهای فرعی را در سمت چپ (راست روی ردیف قرار می دهد). این فرمت بسته بندی است که LAPACK از آن استفاده می کند. cuSPARSE از "LEFT_RIGHT" استفاده می کند که تراز مخالف است.

خروجی عمومی <T> asOutput ()

دسته نمادین تانسور را برمی گرداند.

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 MatrixDiagV3 <T> ایجاد ( دامنه دامنه ، عملوند <T> مورب، عملوند < TINT32 > k، عملوند < TINT32 > numRows، عملوند < TINT32 > numCols، عملوند <T> paddingValue، گزینه‌ها... گزینه‌ها)

روش کارخانه برای ایجاد کلاسی که یک عملیات جدید MatrixDiagV3 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.
گزینه ها مقادیر ویژگی های اختیاری را حمل می کند
برمی گرداند
  • یک نمونه جدید از MatrixDiagV3

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.