تدفق التوتر:: العمليات:: ParallelDynamicStitch

#include <data_flow_ops.h>

قم بتشذير القيم من موترات data في موتر واحد.

ملخص

يبني موتر مدمج من هذا القبيل 

    merged[indices[m][i, ..., j], ...] = data[m][i, ..., j, ...]

على سبيل المثال، إذا كان كل indices[m] عدديًا أو متجهًا، فلدينا 

    # Scalar indices:
    merged[indices[m], ...] = data[m][...]

    # Vector indices:
    merged[indices[m][i], ...] = data[m][i, ...]

يجب أن يبدأ كل data[i].shape indices[i].shape ، ويجب أن تكون بقية data[i].shape ثابتة wrt i . أي أنه يجب أن يكون لدينا data[i].shape = indices[i].shape + constant . ومن حيث هذا constant ، فإن شكل الإخراج هو

merged.shape = [max(indices)] + constant

قد يتم دمج القيم بالتوازي، لذلك إذا ظهر فهرس في كل من indices[m][i] و indices[n][j] ، فقد تكون النتيجة غير صالحة. وهذا يختلف عن عامل التشغيل DynamicStitch العادي الذي يحدد السلوك في هذه الحالة.

على سبيل المثال: 

    indices[0] = 6
    indices[1] = [4, 1]
    indices[2] = [[5, 2], [0, 3]]
    data[0] = [61, 62]
    data[1] = [[41, 42], [11, 12]]
    data[2] = [[[51, 52], [21, 22]], [[1, 2], [31, 32]]]
    merged = [[1, 2], [11, 12], [21, 22], [31, 32], [41, 42],
              [51, 52], [61, 62]]

يمكن استخدام هذه الطريقة لدمج الأقسام التي تم إنشاؤها بواسطة dynamic_partition كما هو موضح في المثال التالي: 

    # Apply function (increments x_i) on elements for which a certain condition
    # apply (x_i != -1 in this example).
    x=tf.constant([0.1, -1., 5.2, 4.3, -1., 7.4])
    condition_mask=tf.not_equal(x,tf.constant(-1.))
    partitioned_data = tf.dynamic_partition(
        x, tf.cast(condition_mask, tf.int32) , 2)
    partitioned_data[1] = partitioned_data[1] + 1.0
    condition_indices = tf.dynamic_partition(
        tf.range(tf.shape(x)[0]), tf.cast(condition_mask, tf.int32) , 2)
    x = tf.dynamic_stitch(condition_indices, partitioned_data)
    # Here x=[1.1, -1., 6.2, 5.3, -1, 8.4], the -1. values remain
    # unchanged.

الحجج:

العوائد:

  • Output : الموتر المدمج.

البنائين والمدمرين

ParallelDynamicStitch (const :: tensorflow::Scope & scope, :: tensorflow::InputList indices, :: tensorflow::InputList data)

الصفات العامة

merged
operation

الوظائف العامة

node () const
::tensorflow::Node *
operator::tensorflow::Input () const
operator::tensorflow::Output () const

الصفات العامة

اندمجت 

::tensorflow::Output merged

عملية 

Operation operation

الوظائف العامة

ParallelDynamicStitch 

 ParallelDynamicStitch(
  const ::tensorflow::Scope & scope,
  ::tensorflow::InputList indices,
  ::tensorflow::InputList data
)

العقدة 

::tensorflow::Node * node() const

المشغل::tensorflow::الإدخال 

 operator::tensorflow::Input() const

المشغل::tensorflow::الإخراج 

 operator::tensorflow::Output() const
,

تدفق التوتر:: العمليات:: ParallelDynamicStitch

#include <data_flow_ops.h>

قم بتشذير القيم من موترات data في موتر واحد.

ملخص

يبني موتر مدمج من هذا القبيل 

    merged[indices[m][i, ..., j], ...] = data[m][i, ..., j, ...]

على سبيل المثال، إذا كان كل indices[m] عدديًا أو متجهًا، فلدينا 

    # Scalar indices:
    merged[indices[m], ...] = data[m][...]

    # Vector indices:
    merged[indices[m][i], ...] = data[m][i, ...]

يجب أن يبدأ كل data[i].shape indices[i].shape ، ويجب أن تكون بقية data[i].shape ثابتة wrt i . أي أنه يجب أن يكون لدينا data[i].shape = indices[i].shape + constant . ومن حيث هذا constant ، فإن شكل الإخراج هو

merged.shape = [max(indices)] + constant

قد يتم دمج القيم بالتوازي، لذلك إذا ظهر فهرس في كل من indices[m][i] و indices[n][j] ، فقد تكون النتيجة غير صالحة. وهذا يختلف عن عامل التشغيل DynamicStitch العادي الذي يحدد السلوك في هذه الحالة.

على سبيل المثال: 

    indices[0] = 6
    indices[1] = [4, 1]
    indices[2] = [[5, 2], [0, 3]]
    data[0] = [61, 62]
    data[1] = [[41, 42], [11, 12]]
    data[2] = [[[51, 52], [21, 22]], [[1, 2], [31, 32]]]
    merged = [[1, 2], [11, 12], [21, 22], [31, 32], [41, 42],
              [51, 52], [61, 62]]

يمكن استخدام هذه الطريقة لدمج الأقسام التي تم إنشاؤها بواسطة dynamic_partition كما هو موضح في المثال التالي: 

    # Apply function (increments x_i) on elements for which a certain condition
    # apply (x_i != -1 in this example).
    x=tf.constant([0.1, -1., 5.2, 4.3, -1., 7.4])
    condition_mask=tf.not_equal(x,tf.constant(-1.))
    partitioned_data = tf.dynamic_partition(
        x, tf.cast(condition_mask, tf.int32) , 2)
    partitioned_data[1] = partitioned_data[1] + 1.0
    condition_indices = tf.dynamic_partition(
        tf.range(tf.shape(x)[0]), tf.cast(condition_mask, tf.int32) , 2)
    x = tf.dynamic_stitch(condition_indices, partitioned_data)
    # Here x=[1.1, -1., 6.2, 5.3, -1, 8.4], the -1. values remain
    # unchanged.

الحجج:

العوائد:

  • Output : الموتر المدمج.

البنائين والمدمرين

ParallelDynamicStitch (const :: tensorflow::Scope & scope, :: tensorflow::InputList indices, :: tensorflow::InputList data)

الصفات العامة

merged
operation

الوظائف العامة

node () const
::tensorflow::Node *
operator::tensorflow::Input () const
operator::tensorflow::Output () const

الصفات العامة

اندمجت 

::tensorflow::Output merged

عملية 

Operation operation

الوظائف العامة

ParallelDynamicStitch 

 ParallelDynamicStitch(
  const ::tensorflow::Scope & scope,
  ::tensorflow::InputList indices,
  ::tensorflow::InputList data
)

العقدة 

::tensorflow::Node * node() const

المشغل::tensorflow::الإدخال 

 operator::tensorflow::Input() const

المشغل::tensorflow::الإخراج 

 operator::tensorflow::Output() const