Python tf.raw_ops.ScatterNd用法及代码示例

根据 indices 将 updates 分散到形状为 shape 的张量中。

用法

tf.raw_ops.ScatterNd(
    indices, updates, shape, name=None
)

根据指定的 indices 的各个值，通过散布稀疏的 updates 来更新输入张量。此操作返回带有您指定的 shape 的 output 张量。此操作是 tf.gather_nd 运算符的逆运算，它从给定的张量中提取值或切片。

此操作类似于 tf.tensor_scatter_add ，不同之处在于张量是零初始化的。调用 tf.scatter_nd(indices, values, shape) 与调用 tf.tensor_scatter_add(tf.zeros(shape, values.dtype), indices, values) 相同。

如果indices 包含重复项，则将重复项values 累加(求和)。

警告：应用更新的顺序是不确定的，因此如果 indices 包含重复项，则输出将是不确定的；由于某些数值近似问题，以不同顺序求和的数字可能会产生不同的结果。

indices 是形状为 shape 的整数张量。 indices 的最后一个维度最多可以是 shape 的等级：

indices.shape[-1] <= shape.rank

indices 的最后一个维度对应于 shape 的维度 indices.shape[-1] 的元素索引(如果 indices.shape[-1] = shape.rank )或切片(如果 indices.shape[-1] < shape.rank )。

updates 是一个具有形状的张量：

indices.shape[:-1] + shape[indices.shape[-1]:]

scatter 操作的最简单形式是按索引在张量中插入单个元素。考虑一个示例，您希望在具有 8 个元素的 rank-1 张量中插入 4 个分散元素。

在 Python 中，这个分散操作看起来像这样：

indices = tf.constant([[4], [3], [1], [7]])
    updates = tf.constant([9, 10, 11, 12])
    shape = tf.constant([8])
    scatter = tf.scatter_nd(indices, updates, shape)
    print(scatter)

生成的张量如下所示：

[0, 11, 0, 10, 9, 0, 0, 12]

您还可以一次插入更高等级张量的整个切片。例如，您可以在具有两个新值矩阵的 rank-3 张量的第一个维度中插入两个切片。

在 Python 中，这个分散操作看起来像这样：

indices = tf.constant([[0], [2]])
    updates = tf.constant([[[5, 5, 5, 5], [6, 6, 6, 6],
                            [7, 7, 7, 7], [8, 8, 8, 8]],
                           [[5, 5, 5, 5], [6, 6, 6, 6],
                            [7, 7, 7, 7], [8, 8, 8, 8]]])
    shape = tf.constant([4, 4, 4])
    scatter = tf.scatter_nd(indices, updates, shape)
    print(scatter)

生成的张量如下所示：

[[[5, 5, 5, 5], [6, 6, 6, 6], [7, 7, 7, 7], [8, 8, 8, 8]],
 [[0, 0, 0, 0], [0, 0, 0, 0], [0, 0, 0, 0], [0, 0, 0, 0]],
 [[5, 5, 5, 5], [6, 6, 6, 6], [7, 7, 7, 7], [8, 8, 8, 8]],
 [[0, 0, 0, 0], [0, 0, 0, 0], [0, 0, 0, 0], [0, 0, 0, 0]]]

请注意，在 CPU 上，如果发现超出范围的索引，则会返回错误。在 GPU 上，如果发现超出范围的索引，则忽略该索引。