جریان تنسور:: عملیات:: SparseConcat

فهرستی از SparseTensor را در امتداد بعد مشخص شده الحاق می کند.

خلاصه

الحاق با توجه به نسخه های متراکم این تانسورهای پراکنده است. فرض بر این است که هر ورودی یک SparseTensor است که عناصر آن در امتداد افزایش تعداد ابعاد مرتب شده اند.

تمام اشکال ورودی ها باید مطابقت داشته باشند، به جز بعد concat. فهرست‌های indices ، values و shapes باید طول یکسانی داشته باشند.

شکل خروجی با ورودی ها یکسان است، به جز در امتداد بعد concat، که در آن مجموع اندازه ورودی ها در امتداد آن بعد است.

عناصر خروجی برای حفظ ترتیب مرتب سازی در امتداد افزایش تعداد ابعاد متوسل خواهند شد.

این عملیات در زمان O(M log M) اجرا می شود، جایی که M تعداد کل مقادیر غیر خالی در تمام ورودی ها است. این به دلیل نیاز به یک مرتب سازی داخلی به منظور الحاق موثر در یک بعد دلخواه است.

به عنوان مثال، اگر concat_dim = 1 و ورودی ها هستند

sp_inputs[0]: shape = [2, 3]
[0, 2]: "a"
[1, 0]: "b"
[1, 1]: "c"

sp_inputs[1]: shape = [2, 4]
[0, 1]: "d"
[0, 2]: "e"

سپس خروجی خواهد بود

shape = [2, 7]
[0, 2]: "a"
[0, 4]: "d"
[0, 5]: "e"
[1, 0]: "b"
[1, 1]: "c"

از نظر گرافیکی این کار معادل انجام دادن است

[    a] concat [  d e  ] = [    a   d e  ]
[b c  ]        [       ]   [b c          ]

استدلال ها:

• scope: یک شی Scope
• شاخص ها: 2-D. شاخص های هر ورودی SparseTensor .
• مقادیر: 1-D. مقادیر غیر خالی هر SparseTensor .
• اشکال: 1-D. اشکال هر SparseTensor .
• concat_dim: بعد برای الحاق در امتداد. باید در محدوده [-rank, rank) باشد، که در آن رتبه تعداد ابعاد در هر ورودی SparseTensor است.

برمی گرداند:

• Output ها: 2-D. شاخص های SparseTensor به هم پیوسته.
• Output : 1-D. مقادیر غیر خالی SparseTensor الحاقی.
• Output : 1-D. شکل SparseTensor به هم پیوسته.

صفات عمومی

Operation operation

::tensorflow::Output output_indices

::tensorflow::Output output_shape

::tensorflow::Output output_values

 SparseConcat(
  const ::tensorflow::Scope & scope,
  ::tensorflow::InputList indices,
  ::tensorflow::InputList values,
  ::tensorflow::InputList shapes,
  int64 concat_dim
)