Python tf.raw_ops.TensorScatterSub用法及代碼示例

根據 indices 從現有張量中減去稀疏的 updates 。

用法

tf.raw_ops.TensorScatterSub(
    tensor, indices, updates, name=None
)

此操作通過從傳入的 tensor 中減去稀疏的 updates 來創建一個新張量。此操作與 tf.scatter_nd_sub 非常相似，不同之處在於從現有張量(而不是變量)中減去更新。如果無法重新使用現有張量的內存，則製作並更新副本。

indices 是一個整數張量，其中包含指向形狀為 shape 的新張量的索引。 indices 的最後一個維度最多可以是 shape 的等級：

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

indices 的最後一個維度對應於沿 shape 的維度 indices.shape[-1] 的元素(如果是 indices.shape[-1] = shape.rank )或切片(如果是 indices.shape[-1] < shape.rank )的索引。 updates 是一個帶形狀的張量

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

tensor_scatter_sub 的最簡單形式是按索引從張量中減去單個元素。例如，假設我們想在一個有 8 個元素的 rank-1 張量中插入 4 個分散的元素。

在 Python 中，這個散點減法操作看起來像這樣：

indices = tf.constant([[4], [3], [1], [7]])
    updates = tf.constant([9, 10, 11, 12])
    tensor = tf.ones([8], dtype=tf.int32)
    updated = tf.tensor_scatter_nd_sub(tensor, indices, updates)
    print(updated)

生成的張量如下所示：

[1, -10, 1, -9, -8, 1, 1, -11]

我們還可以一次插入更高等級張量的整個切片。例如，如果我們想在具有兩個新值矩陣的 rank-3 張量的第一維中插入兩個切片。

在 Python 中，此分散添加操作如下所示：

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]]])
    tensor = tf.ones([4, 4, 4],dtype=tf.int32)
    updated = tf.tensor_scatter_nd_sub(tensor, indices, updates)
    print(updated)

生成的張量如下所示：

[[[-4, -4, -4, -4], [-5, -5, -5, -5], [-6, -6, -6, -6], [-7, -7, -7, -7]],
 [[1, 1, 1, 1], [1, 1, 1, 1], [1, 1, 1, 1], [1, 1, 1, 1]],
 [[-4, -4, -4, -4], [-5, -5, -5, -5], [-6, -6, -6, -6], [-7, -7, -7, -7]],
 [[1, 1, 1, 1], [1, 1, 1, 1], [1, 1, 1, 1], [1, 1, 1, 1]]]

請注意，在 CPU 上，如果發現超出範圍的索引，則會返回錯誤。在 GPU 上，如果發現超出範圍的索引，則忽略該索引。