Majukan penghitung RNG berbasis penghitung.
Status RNG setelah `rng_read_and_skip(n)` akan sama dengan setelah `uniform([n])` (atau distribusi lainnya). Peningkatan aktual yang ditambahkan ke penghitung adalah pilihan implementasi yang tidak ditentukan.
Jika algoritme input adalah RNG_ALG_AUTO_SELECT, pencacah dalam keadaan harus berukuran int64[2], ukuran pencacah maksimal saat ini di antara algoritme. Dalam hal ini, operasi ini akan mengelola penghitung seolah-olah itu adalah bilangan bulat 128-bit dengan tata letak [lower_64bits, higher_64bits]. Jika suatu algoritma membutuhkan kurang dari 128 bit untuk penghitung, itu harus menggunakan bagian kiri dari int64 [2]. Dengan cara ini, int64[2] kompatibel dengan semua algoritme RNG saat ini (Philox, ThreeFry, dan xla::RandomAlgorithm::RNG_DEFAULT). Operasi RNG hilir dengan demikian dapat menggunakan penghitung ini dengan algoritma RNG apa pun.
Metode Publik
Keluaran <Panjang> | sebagai Keluaran () Mengembalikan pegangan simbolis tensor. |
RngReadAndSkip statis | |
Keluaran <Panjang> | nilai () Nilai lama variabel sumber daya, sebelum bertambah. |
Metode yang Diwarisi
Metode Publik
Output publik <Panjang> sebagaiOutput ()
Mengembalikan pegangan simbolis tensor.
Input ke operasi TensorFlow adalah output dari operasi TensorFlow lainnya. Metode ini digunakan untuk mendapatkan pegangan simbolis yang mewakili perhitungan input.
public static RngReadAndSkip create ( Scope scope, Operand <?> resource, Operand <Integer> alg, Operand <?> delta)
Metode pabrik untuk membuat kelas yang membungkus operasi RngReadAndSkip baru.
Parameter
cakupan | lingkup saat ini |
---|---|
sumber | Pegangan variabel sumber daya yang menyimpan status RNG. State terdiri dari counter diikuti oleh key. |
alga | Algoritma RNG. |
delta | Jumlah kemajuan. |
Kembali
- contoh baru dari RngReadAndSkip
Output publik <Long> nilai ()
Nilai lama variabel sumber daya, sebelum bertambah. Karena ukuran status bergantung pada algoritme, keluaran ini akan diisi dengan nol untuk mencapai bentuk int64[3] (ukuran status maksimal saat ini di antara algoritme).