เทนเซอร์โฟลว์:: ปฏิบัติการ:: ResourceScatterNdAdd

ใช้การเพิ่มเติมแบบกระจายกับแต่ละค่าหรือส่วนย่อยใน ตัวแปร

สรุป

ref คือ Tensor ที่มีอันดับ P และ indices คือ Tensor ที่มีอันดับ Q

indices จะต้องเป็นเทนเซอร์จำนวนเต็มซึ่งมีดัชนีอยู่ใน ref จะต้องเป็นรูป [d_0, ..., d_{Q-2}, K] โดยที่ 0 < K <= P

มิติด้านในสุดของ indices (ที่มีความยาว K ) สอดคล้องกับดัชนีในองค์ประกอบ (ถ้า K = P ) หรือชิ้น (ถ้า K < P ) ตามแนวมิติที่ K ของ ref

updates คือ Tensor อันดับ Q-1+PK ที่มีรูปร่าง:

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

ตัวอย่างเช่น สมมติว่าเราต้องการเพิ่มองค์ประกอบที่กระจัดกระจาย 4 รายการให้กับเทนเซอร์อันดับ 1 ให้เป็น 8 องค์ประกอบ ใน Python การเพิ่มนั้นจะมีลักษณะดังนี้:

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])
add = tf.scatter_nd_add(ref, indices, updates)
with tf.Session() as sess:
  print sess.run(add)

ผลลัพธ์การอัปเดตเพื่ออ้างอิงจะมีลักษณะดังนี้:

[1, 13, 3, 14, 14, 6, 7, 20]

ดู tf.scatter_nd สำหรับรายละเอียดเพิ่มเติมเกี่ยวกับวิธีการอัปเดตสไลซ์

ข้อโต้แย้ง:

• ขอบเขต: วัตถุ ขอบเขต
• ref: ตัวจัดการทรัพยากร ต้องมาจาก VarHandleOp
• ดัชนี: เทนเซอร์ ต้องเป็นประเภทใดประเภทหนึ่งต่อไปนี้: int32, int64 เทนเซอร์ของดัชนีในการอ้างอิง
• อัปเดต: เทนเซอร์ จะต้องมีประเภทเดียวกันกับการอ้างอิง เทนเซอร์ของค่าที่จะเพิ่มในการอ้างอิง

แอ็ตทริบิวต์ทางเลือก (ดู Attrs ):

• use_locking: บูลเสริม ค่าเริ่มต้นเป็น True ถ้าเป็น True งานที่ได้รับมอบหมายจะได้รับการปกป้องด้วยการล็อค มิฉะนั้นพฤติกรรมจะไม่ได้กำหนดไว้ แต่อาจแสดงความขัดแย้งน้อยลง

ผลตอบแทน:

• Operation ที่สร้างขึ้น

คุณลักษณะสาธารณะ

Operation operation

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

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

 operator::tensorflow::Operation() const 

Attrs UseLocking(
  bool x
)