جریان تنسور:: عملیات:: MatrixSetDiagV2

#include <array_ops.h>

یک تانسور ماتریس دسته‌ای را با مقادیر مورب دسته‌ای جدید برمی‌گرداند.

خلاصه

با توجه به input و diagonal ، این عملیات یک تانسور را با همان شکل و مقادیر input برمی‌گرداند، به جز قطرهای مشخص شده درونی‌ترین ماتریس‌ها. اینها توسط مقادیر در diagonal بازنویسی می شوند.

input دارای ابعاد r+1 [I, J, ..., L, M, N] است. وقتی k اسکالر یا k[0] == k[1] باشد، diagonal دارای ابعاد r است [I, J, ..., L, max_diag_len] . در غیر این صورت دارای ابعاد r+1 [I, J, ..., L, num_diags, max_diag_len] است. num_diags تعداد قطرها است، num_diags = k[1] - k[0] + 1 . max_diag_len طولانی‌ترین مورب در محدوده [k[0], k[1]] ، max_diag_len = min(M + min(k[1], 0), N + min(-k[0], 0))

خروجی تانسور رتبه k+1 با ابعاد [I, J, ..., L, M, N] است. اگر k اسکالر باشد یا k[0] == k[1] :

output[i, j, ..., l, m, n]
  = diagonal[i, j, ..., l, n-max(k[1], 0)] ; if n - m == k[1]
    output[i, j, ..., l, m, n]             ; otherwise

در غیر این صورت،

output[i, j, ..., l, m, n]
  = diagonal[i, j, ..., l, k[1]-d, n-max(d, 0)] ; if d_lower <= d <= d_upper
    input[i, j, ..., l, m, n]                   ; otherwise
 جایی که d = n - m

به عنوان مثال: 

# The main diagonal.
input = np.array([[[7, 7, 7, 7],              # Input shape: (2, 3, 4)
                   [7, 7, 7, 7],
                   [7, 7, 7, 7]],
                  [[7, 7, 7, 7],
                   [7, 7, 7, 7],
                   [7, 7, 7, 7]]])
diagonal = np.array([[1, 2, 3],               # Diagonal shape: (2, 3)
                     [4, 5, 6]])
tf.matrix_diag(diagonal) ==> [[[1, 7, 7, 7],  # Output shape: (2, 3, 4)
                               [7, 2, 7, 7],
                               [7, 7, 3, 7]],
                              [[4, 7, 7, 7],
                               [7, 5, 7, 7],
                               [7, 7, 6, 7]]]

# A superdiagonal (per batch).
tf.matrix_diag(diagonal, k = 1)
  ==> [[[7, 1, 7, 7],  # Output shape: (2, 3, 4)
        [7, 7, 2, 7],
        [7, 7, 7, 3]],
       [[7, 4, 7, 7],
        [7, 7, 5, 7],
        [7, 7, 7, 6]]]

# A band of diagonals.
diagonals = np.array([[[1, 2, 3],  # Diagonal shape: (2, 2, 3)
                       [4, 5, 0]],
                      [[6, 1, 2],
                       [3, 4, 0]]])
tf.matrix_diag(diagonals, k = (-1, 0))
  ==> [[[1, 7, 7, 7],  # Output shape: (2, 3, 4)
        [4, 2, 7, 7],
        [0, 5, 3, 7]],
       [[6, 7, 7, 7],
        [3, 1, 7, 7],
        [7, 4, 2, 7]]]

  

  
Arguments:

          
  • scope: A Scope object

    •       
  • input: Rank r+1, where r >= 1.

    •       
  • diagonal: Rank r when k is an integer or k[0] == k[1]. Otherwise, it has rank r+1. k >= 1.

    •       
  • k: Diagonal offset(s). Positive value means superdiagonal, 0 refers to the main diagonal, and negative value means subdiagonals. k can be a single integer (for a single diagonal) or a pair of integers specifying the low and high ends of a matrix band. k[0] must not be larger than k[1].

    •     

  
Returns:

          
  • Output: Rank r+1, with output.shape = input.shape. 

    •     

  

    
      
    
    
      
    
  

        
Constructors and Destructors

      

        MatrixSetDiagV2(const ::tensorflow::Scope & scope, ::tensorflow::Input input, ::tensorflow::Input diagonal, ::tensorflow::Input k)
        

      

  

    
      
    
    
      
      
    
    
      
      
    
  

        
Public attributes

      

        operation
      
        

          Operation
        

      

        output
      
        

          ::tensorflow::Output
        

      

  

    
      
    
    
      
      
    
    
      
      
    
    
      
      
    
  

        
Public functions

      

        node() const 
      
        

          ::tensorflow::Node *
        

      

        operator::tensorflow::Input() const 
      
        

          
        

      

        operator::tensorflow::Output() const 
      
        

          
        

      

  
Public attributes

  

    
operation

    
 خروجی 
 
 توابع عمومی 
 MatrixSetDiagV2 
 
 گره 
 
 عملگر::tensorflow::ورودی 
 
 عملگر::tensorflow::خروجی