ใช้ `อัปเดต' แบบกระจัดกระจายกับค่าแต่ละค่าหรือส่วนภายในที่กำหนด
ตัวแปรตาม "ดัชนี"
`ref` คือ `Tensor` ที่มีอันดับ `P` และ `indices` คือ `Tensor` ของอันดับ `Q`
"ดัชนี" ต้องเป็นจำนวนเต็มเทนเซอร์ โดยมีดัชนีอยู่ใน "อ้างอิง" จะต้องมีรูปร่าง `[d_0, ..., d_{Q-2}, K]` โดยที่ `0 < K <= P`
มิติในสุดของ "ดัชนี" (มีความยาว "K") สอดคล้องกับดัชนีเป็นองค์ประกอบ (ถ้า "K = P") หรือแบ่งส่วน (ถ้า "K < P") ตามมิติ "K" ของ "อ้างอิง"
`อัปเดต` คือ `เทนเซอร์` ของอันดับ `Q-1+PK` ที่มีรูปร่าง:
[d_0, ..., d_{Q-2
, ref.shape[K], ..., ref.shape[P-1]].
}
ตัวอย่างเช่น สมมติว่าเราต้องการอัปเดตองค์ประกอบที่กระจัดกระจาย 4 รายการเป็นเมตริกซ์อันดับ 1 เป็น 8 องค์ประกอบ ใน Python การอัปเดตนั้นจะมีลักษณะดังนี้: ref = tf.Variable([1, 2, 3, 4, 5, 6, 7, 8])
indices = tf.constant([[4], [3], [1] ,[7]])
updates = tf.constant([9, 10, 11, 12])
update = tf.scatter_nd_update(ref, indices, updates)
with tf.Session() as sess:
print sess.run(update)
การอัปเดตที่เป็นผลลัพธ์เพื่ออ้างอิงจะมีลักษณะดังนี้:[1, 11, 3, 10, 9, 6, 7, 12]
ดู tf.scatter_nd
สำหรับรายละเอียดเพิ่มเติมเกี่ยวกับวิธีการอัปเดตสไลซ์
คลาสที่ซ้อนกัน
ระดับ | ResourceScatterNdUpdate.Options | แอ็ตทริบิวต์ทางเลือกสำหรับ ResourceScatterNdUpdate |
วิธีการสาธารณะ
สแตติก <T ขยาย Number, U> ResourceScatterNdUpdate | |
คงที่ ResourceScatterNdUpdate.Options | useLocking (บูลีน useLocking) |
วิธีการสืบทอด
วิธีการสาธารณะ
สร้าง ResourceScatterNdUpdate แบบคงที่สาธารณะ ( ขอบเขต ขอบเขต, ตัว ถูกดำเนินการ <?> การอ้างอิง, ดัชนี ตัวถูกดำเนินการ <T>, การอัปเดตตัวถูกดำเนินการ < U >, ตัวเลือก... )
วิธีการจากโรงงานเพื่อสร้างคลาสที่ปิดการดำเนินการ ResourceScatterNdUpdate ใหม่
พารามิเตอร์
ขอบเขต | ขอบเขตปัจจุบัน |
---|---|
อ้างอิง | ตัวจัดการทรัพยากร ต้องมาจาก VarHandleOp |
ดัชนี | เทนเซอร์ ต้องเป็นหนึ่งในประเภทต่อไปนี้: int32, int64 เทนเซอร์ของดัชนีอ้างอิง |
อัพเดท | เทนเซอร์ ต้องมีประเภทเดียวกับผู้อ้างอิง เทนเซอร์ของค่าที่อัปเดตเพื่อเพิ่มไปยังการอ้างอิง |
ตัวเลือก | ดำเนินการค่าแอตทริบิวต์ทางเลือก |
คืนสินค้า
- อินสแตนซ์ใหม่ของ ResourceScatterNdUpdate
สาธารณะคงที่ ResourceScatterNdUpdate.Options useLocking (บูลีน useLocking)
พารามิเตอร์
ใช้ล็อค | บูลเสริม ค่าดีฟอลต์เป็น True หากเป็น True การมอบหมายจะได้รับการปกป้องด้วยการล็อค มิฉะนั้นพฤติกรรมจะไม่ถูกกำหนด แต่อาจแสดงความขัดแย้งน้อยลง |
---|