جریان تنسور:: عملیات:: ResourceScatterNdAdd

اضافه کردن پراکنده را به مقادیر یا برش های فردی در یک متغیر اعمال می کند.

خلاصه

ref یک Tensor با رتبه P و indices Tensor رتبه Q است.

indices باید تانسور عدد صحیح باشند و شامل اندیس هایی در ref باشند. باید شکل [d_0, ..., d_{Q-2}, K] باشد که در آن 0 < K <= P .

درونی‌ترین بعد indices (با طول K ) مربوط به شاخص‌هایی به عناصر (اگر K = P ) یا برش‌هایی (اگر K < P ) در امتداد بعد K ام ref .

updates Tensor رتبه Q-1+PK با شکل:

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

به عنوان مثال، فرض کنید می خواهیم 4 عنصر پراکنده را به یک تانسور رتبه-1 به 8 عنصر اضافه کنیم. در پایتون، این اضافه به صورت زیر است:

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)

به روز رسانی به ref به صورت زیر خواهد بود:

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

برای جزئیات بیشتر درباره نحوه به‌روزرسانی برش‌ها، tf.scatter_nd ببینید.

استدلال ها:

• scope: یک شی Scope
• ref: دسته منبع. باید از یک VarHandleOp باشد.
• شاخص ها: یک تانسور . باید یکی از انواع زیر باشد: int32، int64. تانسوری از شاخص ها به رفر.
• به روز رسانی: A Tensor . باید همان نوع ref را داشته باشد. تانسوری از مقادیر برای افزودن به مرجع.

ویژگی های اختیاری (به Attrs مراجعه کنید):

• use_locking: یک bool اختیاری. پیش فرض ها به True. اگر True باشد، انتساب توسط یک قفل محافظت می شود. در غیر این صورت رفتار تعریف نشده است، اما ممکن است اختلاف کمتری از خود نشان دهد.

برمی گرداند:

• Operation ایجاد شده

صفات عمومی

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
)