تدفق التوتر:: العمليات:: ResourceScatterNdSub

يطبق الطرح المتناثر على القيم الفردية أو الشرائح في متغير .

ملخص

ref هو Tensor ذو الرتبة P indices عبارة عن Tensor من الرتبة Q .

يجب أن تكون indices عددًا صحيحًا، وتحتوي على مؤشرات في ref . يجب أن يكون الشكل [d_0, ..., d_{Q-2}, K] حيث 0 < K <= P .

البعد الأعمق indices (مع الطول K ) يتوافق مع المؤشرات في العناصر (إذا كانت K = P ) أو الشرائح (إذا كانت K < P ) على طول البعد K ref .

updates هي Tensor من الرتبة Q-1+PK بالشكل:

[d_0, ..., d_{Q-2}, ref.shape[K], ..., ref.shape[P-1]]

على سبيل المثال، لنفترض أننا نريد طرح 4 عناصر متناثرة من موتر من الرتبة 1 يحتوي على 8 عناصر. في بايثون، سيبدو هذا الطرح كما يلي:

ref = tf.Variable([1, 2, 3, 4, 5, 6, 7, 8], use_resource=True)
indices = tf.constant([[4], [3], [1], [7]])
updates = tf.constant([9, 10, 11, 12])
sub = tf.scatter_nd_sub(ref, indices, updates)
with tf.Session() as sess:
  print sess.run(sub)

سيبدو التحديث الناتج إلى المرجع كما يلي:

[1, -9, 3, -6, -4, 6, 7, -4]

راجع tf.scatter_nd للحصول على مزيد من التفاصيل حول كيفية إجراء تحديثات على الشرائح.

الحجج:

• النطاق: كائن النطاق
• المرجع: مقبض الموارد. يجب أن يكون من VarHandleOp.
• المؤشرات: موتر . يجب أن يكون أحد الأنواع التالية: int32، int64. موتر من المؤشرات في المرجع.
• التحديثات: موتر . يجب أن يكون له نفس النوع مثل المرجع. موتر القيم المراد إضافتها إلى المرجع.

السمات الاختيارية (انظر Attrs ):

• use_locking: منطقي اختياري. الافتراضيات إلى صحيح. إذا كان True، فسيتم حماية المهمة بواسطة قفل؛ وإلا فإن السلوك غير محدد، ولكنه قد يحمل قدرًا أقل من الخلاف.

العوائد:

• Operation التي تم إنشاؤها

الصفات العامة

Operation operation

 ResourceScatterNdSub(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input ref,
  ::tensorflow::Input indices,
  ::tensorflow::Input updates
)

 ResourceScatterNdSub(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input ref,
  ::tensorflow::Input indices,
  ::tensorflow::Input updates,
  const ResourceScatterNdSub::Attrs & attrs
)

 operator::tensorflow::Operation() const 

Attrs UseLocking(
  bool x
)