جریان تنسور:: تانسور

این تانسور را در امتداد بعد 1 برش دهید.

یعنی، تانسور برگشتی [i, ...] == این [dim0_start + i, ...] بازگشتی را برآورده می کند. تانسور برگشتی بافر تانسور زیرین را با این تانسور به اشتراک می گذارد.

توجه: بسته به شکل، تانسور برگشتی ممکن است همان نیاز ترازبندی این تانسور را برآورده نکند. تماس‌گیرنده باید تراز تانسور برگشتی را قبل از فراخوانی روش‌های خاصی که نیاز به هم‌ترازی دارند، بررسی کند (مثلاً flat() ، tensor() ).

توجه: هنگامی که با یک تانسور N بعدی تغذیه می شود، این روش یک تانسور را نیز با ابعاد N برمی گرداند. اگر می خواهید یک تانسور فرعی انتخاب کنید، SubSlice را ببینید.

REQUIRES: dims() >= 1 مورد نیاز: 0 <= dim0_start <= dim0_limit <= dim_size(0)

یک زیر اسلایس از این تانسور در امتداد بعد 1 انتخاب کنید.

هنگامی که با یک تانسور N بعدی تغذیه می شود، این روش یک تانسور با ابعاد N-1 را برمی گرداند، که در آن تانسور برگشتی یک زیر برش از تانسور ورودی در امتداد بعد اول است. ابعاد N-1 تانسور برگشتی آخرین ابعاد N-1 تانسور ورودی است.

توجه: بسته به شکل، تانسور برگشتی ممکن است همان نیاز ترازبندی این تانسور را برآورده نکند. تماس‌گیرنده باید تراز تانسور برگشتی را قبل از فراخوانی روش‌های خاصی که نیاز به هم‌ترازی دارند، بررسی کند (مثلاً flat() ، tensor() ).

REQUIRES: dims() >= 1 REQUIRES: 0 <= index < dim_size(0)

اولین مقادیر max_entries در *this به یک رشته تبدیل کنید.

یک تانسور شناور یک بعدی و 0 عنصری ایجاد می کند.

تانسور برگشتی یک اسکالر (شکل {}) نیست، بلکه یک تانسور یک بعدی خالی است (شکل {0}، NumElements() == 0). از آنجایی که هیچ عنصری ندارد، نیازی به تخصیص مقدار ندارد و به طور پیش فرض مقداردهی اولیه می شود ( () IsInitialized true است). اگر این نامطلوب است، ایجاد یک اسکالر تک عنصری را در نظر بگیرید که نیاز به مقداردهی اولیه دارد:

Tensor(DT_FLOAT, TensorShape({}))

یک تانسور از type و shape داده شده ایجاد می کند.

اگر LogMemory::IsEnabled() تخصیص به عنوان یک هسته و مرحله ناشناخته ثبت می شود. فراخوانی سازنده Tensor مستقیماً از داخل یک Op منسوخ شده است: از روش های OpKernelConstruction/OpKernelContext allocate_* برای تخصیص یک تانسور جدید استفاده کنید که هسته و مرحله را ضبط می کند.

بافر زیربنایی با استفاده از CPUAllocator تخصیص داده می شود.

یک تانسور با type ورودی و shape ایجاد می کند، با استفاده از تخصیص دهنده a برای تخصیص بافر زیرین.

اگر LogMemory::IsEnabled() تخصیص به عنوان یک هسته و مرحله ناشناخته ثبت می شود. فراخوانی سازنده Tensor مستقیماً از داخل یک Op منسوخ شده است: از روش های OpKernelConstruction/OpKernelContext allocate_* برای تخصیص یک تانسور جدید استفاده کنید که هسته و مرحله را ضبط می کند.

a از عمر این تنسور بیشتر بگذرد.

یک تانسور با type و shape ورودی ایجاد می کند، با استفاده از تخصیص دهنده a و "allocation_attr" مشخص شده برای تخصیص بافر زیرین.

اگر هسته و مرحله شناخته شده باشند allocation_attr.allocation_will_be_logg باید روی true تنظیم شود و LogMemory::RecordTensorAllocation باید پس از ساخت تانسور فراخوانی شود. فراخوانی سازنده Tensor مستقیماً از داخل یک Op منسوخ شده است: از روش های OpKernelConstruction/OpKernelContext allocate_* برای تخصیص یک تانسور جدید استفاده کنید که هسته و مرحله را ضبط می کند.

a از عمر این تنسور بیشتر بگذرد.

یک تانسور با نوع داده ورودی، شکل و buf ایجاد می کند.

یک ref بر روی buf که متعلق به این Tensor است به دست می آورد.

یک تانسور خالی از نوع داده داده شده ایجاد می کند.

مانند Tensor() یک Tensor یک بعدی و 0 عنصری با IsInitialized() True را برمی گرداند. برای جزئیات به مستندات Tensor() مراجعه کنید.

تانسور

 Tensor(
  double scalar_value
)

 Tensor(
  int32 scalar_value
)

 Tensor(
  uint32 scalar_value
)

 Tensor(
  uint16 scalar_value
)

 Tensor(
  uint8 scalar_value
)

 Tensor(
  int16 scalar_value
)

 Tensor(
  int8 scalar_value
)

 Tensor(
  tstring scalar_value
)

 Tensor(
  complex64 scalar_value
)

 Tensor(
  complex128 scalar_value
)

 Tensor(
  int64 scalar_value
)

 Tensor(
  uint64 scalar_value
)

 Tensor(
  bool scalar_value
)

 Tensor(
  qint8 scalar_value
)

 Tensor(
  quint8 scalar_value
)

 Tensor(
  qint16 scalar_value
)

 Tensor(
  quint16 scalar_value
)

 Tensor(
  qint32 scalar_value
)

 Tensor(
  bfloat16 scalar_value
)

 Tensor(
  Eigen::half scalar_value
)

 Tensor(
  ResourceHandle scalar_value
)

 Tensor(
  const char *scalar_value
)

 Tensor(
  const Tensor & other
)

 Tensor(
  Tensor && other
)

size_t TotalBytes() const 

void UnsafeCopyFromInternal(
  const Tensor & other,
  DataType dtype,
  const TensorShape & shape
)

TTypes< T, NDIMS >::Tensor bit_casted_shaped(
  gtl::ArraySlice< int64 > new_sizes
)

TTypes< T, NDIMS >::ConstTensor bit_casted_shaped(
  gtl::ArraySlice< int64 > new_sizes
) const 

TTypes< T, NDIMS >::Tensor bit_casted_tensor()

TTypes< T, NDIMS >::ConstTensor bit_casted_tensor() const 

void * data() const 

int64 dim_size(
  int d
) const 

int dims() const 

DataType dtype() const 

TTypes< T >::Flat flat()

  
    typedef float T;
    Tensor my_ten(...built with Shape{planes: 4, rows: 3, cols: 5}...);
    // 1D Eigen::Tensor, size 60:
    auto flat = my_ten.flat();
    // 2D Eigen::Tensor 12 x 5:
    auto inner = my_ten.flat_inner_dims();
    // 2D Eigen::Tensor 4 x 15:
    auto outer = my_ten.shaped({4, 15});
    // CHECK fails, bad num elements:
    auto outer = my_ten.shaped({4, 8});
    // 3D Eigen::Tensor 6 x 5 x 2:
    auto weird = my_ten.shaped({6, 5, 2});
    // CHECK fails, type mismatch:
    auto bad   = my_ten.flat();

TTypes< T >::ConstFlat flat() const 

TTypes< T, NDIMS >::Tensor flat_inner_dims()

TTypes< T, NDIMS >::ConstTensor flat_inner_dims() const 

TTypes< T, NDIMS >::Tensor flat_inner_outer_dims(
  int64 begin
)

TTypes< T, NDIMS >::ConstTensor flat_inner_outer_dims(
  int64 begin
) const 

TTypes< T, NDIMS >::Tensor flat_outer_dims()

TTypes< T, NDIMS >::ConstTensor flat_outer_dims() const 

TTypes< T >::Matrix matrix()

TTypes< T >::ConstMatrix matrix() const 

Tensor & operator=(
  const Tensor & other
)

Tensor & operator=(
  Tensor && other
)

TTypes< T, NDIMS >::Tensor reinterpret_last_dimension()

TTypes< T, NDIMS >::ConstTensor reinterpret_last_dimension() const 

TTypes< T >::Scalar scalar()

TTypes< T >::ConstScalar scalar() const 

const TensorShape & shape() const 

TTypes< T, NDIMS >::Tensor shaped(
  gtl::ArraySlice< int64 > new_sizes
)

TTypes< T, NDIMS >::ConstTensor shaped(
  gtl::ArraySlice< int64 > new_sizes
) const 

TTypes< T, NDIMS >::Tensor tensor()

TTypes< T, NDIMS >::ConstTensor tensor() const 

StringPiece tensor_data() const 

TTypes< T >::UnalignedFlat unaligned_flat()

TTypes< T >::UnalignedConstFlat unaligned_flat() const 

TTypes< T, NDIMS >::UnalignedTensor unaligned_shaped(
  gtl::ArraySlice< int64 > new_sizes
)

TTypes< T, NDIMS >::UnalignedConstTensor unaligned_shaped(
  gtl::ArraySlice< int64 > new_sizes
) const 

TTypes< T >::Vec vec()

  
    typedef float T;
    Tensor my_mat(...built with Shape{rows: 3, cols: 5}...);
    auto mat = my_mat.matrix();    // 2D Eigen::Tensor, 3 x 5.
    auto mat = my_mat.tensor(); // 2D Eigen::Tensor, 3 x 5.
    auto vec = my_mat.vec();       // CHECK fails as my_mat is 2D.
    auto vec = my_mat.tensor(); // CHECK fails as my_mat is 2D.
    auto mat = my_mat.matrix();// CHECK fails as type mismatch.

TTypes< T >::ConstVec vec() const 

 ~Tensor()