เทนเซอร์โฟลว์:: เทนเซอร์

แบ่งเทนเซอร์นี้ตามมิติที่ 1

กล่าวคือเทนเซอร์ที่ส่งคืนเป็นไปตามที่ส่งคืน[i, ...] == this[dim0_start + i, ...] เทนเซอร์ที่ส่งคืนจะแบ่งบัฟเฟอร์เทนเซอร์พื้นฐานกับเทนเซอร์นี้

หมายเหตุ: เทนเซอร์ที่ส่งคืนอาจไม่เป็นไปตามข้อกำหนดการจัดตำแหน่งเดียวกันกับเทนเซอร์นี้ ทั้งนี้ขึ้นอยู่กับรูปร่าง ผู้เรียกจะต้องตรวจสอบการจัดตำแหน่งเทนเซอร์ที่ส่งคืนก่อนที่จะเรียกวิธีการบางอย่างที่มีข้อกำหนดการจัดตำแหน่ง (เช่น flat() , tensor() )

หมายเหตุ: เมื่อป้อนด้วยเทนเซอร์ขนาด N วิธีการนี้จะส่งคืนเทนเซอร์ที่มีขนาด N เช่นกัน หากคุณต้องการเลือกเทนเซอร์ย่อย โปรดดูที่ SubSlice

ต้องการ: dims() >= 1 ต้องการ: 0 <= dim0_start <= dim0_limit <= dim_size(0)

เลือกชิ้นส่วนย่อยจากเทนเซอร์นี้ตามมิติที่ 1

เมื่อป้อนด้วยเทนเซอร์ขนาด N วิธีการนี้จะส่งคืนเทนเซอร์ที่มีขนาด N-1 โดยที่เทนเซอร์ที่ส่งคืนจะเป็นส่วนย่อยของเทนเซอร์อินพุตตามมิติแรก ขนาด N-1 ของเทนเซอร์ที่ส่งคืนคือขนาด N-1 สุดท้ายของเทนเซอร์อินพุต

หมายเหตุ: เทนเซอร์ที่ส่งคืนอาจไม่เป็นไปตามข้อกำหนดการจัดตำแหน่งเดียวกันกับเทนเซอร์นี้ ทั้งนี้ขึ้นอยู่กับรูปร่าง ผู้เรียกจะต้องตรวจสอบการจัดตำแหน่งเทนเซอร์ที่ส่งคืนก่อนที่จะเรียกวิธีการบางอย่างที่มีข้อกำหนดการจัดตำแหน่ง (เช่น flat() , tensor() )

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

แสดงค่า max_entries แรกใน *this ลงในสตริง

สร้างเทนเซอร์โฟลต 1 มิติ 0 องค์ประกอบ

เทนเซอร์ ที่ส่งคืนไม่ใช่สเกลาร์ (รูปร่าง {}) แต่เป็น เทนเซอร์ มิติเดียวที่ว่างเปล่าแทน (รูปร่าง {0}, NumElements() == 0) เนื่องจากไม่มีองค์ประกอบ จึงไม่จำเป็นต้องกำหนดค่าและกำหนดค่าเริ่มต้นตามค่าเริ่มต้น ( IsInitialized() เป็นจริง) หากเป็นสิ่งที่ไม่พึงประสงค์ ให้พิจารณาสร้างสเกลาร์องค์ประกอบเดียวซึ่งจำเป็นต้องมีการกำหนดค่าเริ่มต้น:

Tensor(DT_FLOAT, TensorShape({}))

สร้าง เทนเซอร์ ตาม type และ shape ที่กำหนด

หาก LogMemory::IsEnabled() การจัดสรรจะถูกบันทึกว่ามาจากเคอร์เนลและขั้นตอนที่ไม่รู้จัก การเรียกตัวสร้าง Tensor โดยตรงจากภายใน Op นั้นเลิกใช้แล้ว: ใช้วิธี OpKernelConstruction/OpKernelContext allowance_* เพื่อจัดสรรเทนเซอร์ใหม่ ซึ่งจะบันทึกเคอร์เนลและขั้นตอน

บัฟเฟอร์พื้นฐานได้รับการจัดสรรโดยใช้ CPUAllocator

สร้างเทนเซอร์ที่มี type อินพุตและ shape โดยใช้ตัวจัดสรร a เพื่อจัดสรรบัฟเฟอร์พื้นฐาน

หาก LogMemory::IsEnabled() การจัดสรรจะถูกบันทึกว่ามาจากเคอร์เนลและขั้นตอนที่ไม่รู้จัก การเรียกตัวสร้าง Tensor โดยตรงจากภายใน Op นั้นเลิกใช้แล้ว: ใช้วิธี OpKernelConstruction/OpKernelContext allowance_* เพื่อจัดสรรเทนเซอร์ใหม่ ซึ่งจะบันทึกเคอร์เนลและขั้นตอน

a มีอายุการใช้งานยาวนานกว่าอายุการใช้งานของ Tensor นี้

สร้างเทนเซอร์ที่มี type อินพุตและ shape โดยใช้ตัวจัดสรร a และ "allocation_attr" ที่ระบุเพื่อจัดสรรบัฟเฟอร์พื้นฐาน

หากทราบเคอร์เนลและขั้นตอน allocation_attr.allocation_will_be_logged ควรตั้งค่าเป็นจริงและ LogMemory::RecordTensorAllocation ควรถูกเรียกหลังจากสร้างเมตริกซ์แล้ว การเรียกตัวสร้าง Tensor โดยตรงจากภายใน Op นั้นเลิกใช้แล้ว: ใช้วิธี OpKernelConstruction/OpKernelContext allowance_* เพื่อจัดสรรเทนเซอร์ใหม่ ซึ่งจะบันทึกเคอร์เนลและขั้นตอน

a มีอายุการใช้งานยาวนานกว่าอายุการใช้งานของ Tensor นี้

สร้างเทนเซอร์ที่มีประเภทข้อมูลอินพุต รูปร่าง และ buf

ได้รับการอ้างอิง buf ที่เป็นของ Tensor นี้

สร้าง เทนเซอร์ ว่างของประเภทข้อมูลที่กำหนด

เช่นเดียวกับ Tensor() ส่งคืน Tensor 1 มิติ 0 องค์ประกอบโดย IsInitialized() คืนค่า True ดูเอกสารประกอบ Tensor() สำหรับรายละเอียด

เทนเซอร์

 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
)

 Tensor(
  T *t
)=delete

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()