当前位置: 首页>>代码示例 >>用法及示例精选 >>正文


Python tf.raw_ops.MatrixDiagV2用法及代码示例


返回具有给定成批对角线值的成批对角线张量。

用法

tf.raw_ops.MatrixDiagV2(
    diagonal, k, num_rows, num_cols, padding_value, name=None
)

参数

  • diagonal 一个Tensor。排名 r ,其中 r >= 1
  • k Tensor 类型为 int32 。对角线偏移。正值表示上对角线,0 表示主对角线,负值表示次对角线。 k 可以是单个整数(用于单个对角线)或一对整数,指定矩阵带的低端和高端。 k[0] 不得大于 k[1]
  • num_rows Tensor 类型为 int32 。输出矩阵的行数。如果未提供,则 op 假定输出矩阵是方阵,并从 k 和 diagonal 的最内层维度推断出矩阵大小。
  • num_cols Tensor 类型为 int32 。输出矩阵的列数。如果未提供,则 op 假定输出矩阵是方阵,并从 k 和 diagonal 的最内层维度推断出矩阵大小。
  • padding_value 一个Tensor。必须与 diagonal 具有相同的类型。用于填充指定对角带之外区域的数字。默认值为 0。
  • name 操作的名称(可选)。

返回

  • 一个Tensor。具有与 diagonal 相同的类型。

返回一个张量,其中 diagonal 中的内容作为矩阵的 k[0] -th 到 k[1] -th 对角线,其他所有内容都用 padding 填充。 num_rowsnum_cols 指定输出的最内层矩阵的维度。如果两者都未指定,则操作假定最内层矩阵是正方形并从 kdiagonal 的最内层维度推断其大小。如果仅指定其中一个,则操作假定未指定的值是基于其他标准的最小可能值。

diagonal 具有 r 尺寸 [I, J, ..., L, M, N] 。当只给出一个对角线时(k 是整数或 k[0] == k[1]),输出张量的秩为 r+1,形状为 [I, J, ..., L, M, num_rows, num_cols]。否则,它的排名为 r ,形状为 [I, J, ..., L, num_rows, num_cols]

diagonal 的第二个最里面的维度具有双重含义。当k 是标量或k[0] == k[1] , M 是批量大小[I, J, ..., M] 的一部分时,输出张量为:

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

否则,M 被视为同一批次(M = k[1]-k[0]+1)中矩阵的对角行数,输出张量为:

output[i, j, ..., l, m, n]
  = diagonal[i, j, ..., l, diag_index, index_in_diag] ; if k[0] <= d <= k[1]
    padding_value                                     ; otherwise

其中 d = n - m , diag_index = k[1] - dindex_in_diag = n - max(d, 0)

例如:

# The main diagonal.
diagonal = np.array([[1, 2, 3, 4],            # Input shape:(2, 4)
                     [5, 6, 7, 8]])
tf.matrix_diag(diagonal) ==> [[[1, 0, 0, 0],  # Output shape:(2, 4, 4)
                               [0, 2, 0, 0],
                               [0, 0, 3, 0],
                               [0, 0, 0, 4]],
                              [[5, 0, 0, 0],
                               [0, 6, 0, 0],
                               [0, 0, 7, 0],
                               [0, 0, 0, 8]]]

# A superdiagonal (per batch).
diagonal = np.array([[1, 2, 3],  # Input shape:(2, 3)
                     [4, 5, 6]])
tf.matrix_diag(diagonal, k = 1)
  ==> [[[0, 1, 0, 0],  # Output shape:(2, 4, 4)
        [0, 0, 2, 0],
        [0, 0, 0, 3],
        [0, 0, 0, 0]],
       [[0, 4, 0, 0],
        [0, 0, 5, 0],
        [0, 0, 0, 6],
        [0, 0, 0, 0]]]

# A band of diagonals.
diagonals = np.array([[[1, 2, 3],  # Input shape:(2, 2, 3)
                       [4, 5, 0]],
                      [[6, 7, 9],
                       [9, 1, 0]]])
tf.matrix_diag(diagonals, k = (-1, 0))
  ==> [[[1, 0, 0],  # Output shape:(2, 3, 3)
        [4, 2, 0],
        [0, 5, 3]],
       [[6, 0, 0],
        [9, 7, 0],
        [0, 1, 9]]]

# Rectangular matrix.
diagonal = np.array([1, 2])  # Input shape:(2)
tf.matrix_diag(diagonal, k = -1, num_rows = 3, num_cols = 4)
  ==> [[0, 0, 0, 0],  # Output shape:(3, 4)
       [1, 0, 0, 0],
       [0, 2, 0, 0]]

# Rectangular matrix with inferred num_cols and padding_value = 9.
tf.matrix_diag(diagonal, k = -1, num_rows = 3, padding_value = 9)
  ==> [[9, 9],  # Output shape:(3, 2)
       [1, 9],
       [9, 2]]

相关用法


注:本文由纯净天空筛选整理自tensorflow.org大神的英文原创作品 tf.raw_ops.MatrixDiagV2。非经特殊声明,原始代码版权归原作者所有,本译文未经允许或授权,请勿转载或复制。