淺談tensorflow中張量的提取值和賦值
tf.gather和gather_nd從params中收集數值,tf.scatter_nd 和 tf.scatter_nd_update用updates更新某一張量。嚴格上說,tf.gather_nd和tf.scatter_nd_update互為逆操作。
已知數值的位置,從張量中提取數值:tf.gather,tf.gather_nd
tf.gather indices每個元素(標量)是params某個axis的索引,tf.gather_nd 中indices最後一個階對應於索引值。
tf.gather函式
函式原型
gather( params,indices,validate_indices=None,name=None,axis=0 )
params是要查詢的張量,indices是要查詢值的索引(int32或int64),axis是查詢軸,name是操作名。
如果indices是標量
如果indices是向量
如果indices是高階張量
返回值:
該函式返回值型別與params相同,具體值是從params中收集過來的,形狀為
tf.gather_nd函式
函式原型
gather_nd( params,name=None )
indices是K階張量,包含K-1階的索引值。它最後一階是索引,最後一階維度必須小於等於params的秩。indices最後一階的維數等於params的秩時,我們得到params的某些元素;indices最後一階的維數小於params的秩時,我們得到params的切片。
輸出張量的形狀由indices的K-1階和params索引到的形狀拼接而成,如下面
indices.shape[:-1] + params.shape[indices.shape[-1]:]
引數:
params:被收集的張量。
indices:索引張量。必須是以下型別之一:int32,int64。
name:操作的名稱(可選)。
返回值:
該函式返回一個張量.與params具有相同的型別。張量值從indices所給定的索引中收集,並且具有這樣的形狀:
已知賦值的位置,向張量賦值:tf.scatter_nd,tf.scatter_nd_update
tf.scatter_nd對零張量進行賦值,tf.scatter_nd_update對已有可變的張量進行賦值。
tf.scatter_nd函式 scatter_nd( indices,updates,shape,name=None )
建立一個形狀為shape的零張量,將updates賦值到indices指定的位置。
indices是整數張量,最內部維度對應於索引。
indices.shape[-1] <= shape.rank
如果indices.shape[-1] = shape.rank,那麼indices直接對應到新張量的單個元素。如果indices.shape[-1] < shape.rank,那麼indices中每個元素對新張量做切片操作。updates的形狀應該如下所示
indices.shape[:-1] + shape[indices.shape[-1]:]
如果我們要把形狀為(4,)的updates賦值給形狀為(8,)的零張量,如下圖所示。
我們需要這樣子做
indices = tf.constant([[4],[3],[1],[7]]) updates = tf.constant([9,10,11,12]) shape = tf.constant([8]) scatter = tf.scatter_nd(indices,shape) with tf.Session() as sess: print(sess.run(scatter))
我們得到這樣子的張量
[0,9,12]
上面程式碼中,indices的形狀是(4,1),updates的形狀是(4,),shape的形狀是(8,)。
indices.shape[:-1]+shape[indices.shape[-1]:] = (4,)+(,)=(4,)
如果我們要在三階張量中插入兩個切片,如下圖所示,則應該像下面程式碼裡所說的那樣子做。
indices = tf.constant([[0],[2]]) updates = tf.constant([[[5,5,5],[6,6,6],[7,7,7],[8,8,8]],[[5,8]]]) shape = tf.constant([4,4,4]) scatter = tf.scatter_nd(indices,shape) with tf.Session() as sess: print(sess.run(scatter))
indices的形狀是(2,1),updates的形狀是(2,4,4),shape的形狀是(4,4,4)。
indices.shape[:-1]+shape[indices.shape[-1]:]=(2,)+(4,4)=(2,4)
我們會得到這樣子的張量
[[[5,[[0,0],[0,0]],0]]]
函式引數
indices:Tensor;必須是以下型別之一:int32,int64;索引值張量。
updates:Tensor;分散到輸出的更新。
shape:Tensor;必須與indices具有相同的型別;1-d;得到的張量的形狀。
name:操作的名稱(可選)。
返回值
此函式返回一個Tensor,它與updates有相同的型別;一個有shape形狀的新張量,初始化值為0,部分值根據indices用updates進行更新。
tf.scatter_nd_update函式
函式原型
scatter_nd_update( ref,use_locking=True,name=None )
scatter_nd_update也是把updates裡面的值根據indices賦值到另外一個張量中,與scatter_nd不同的是,它是賦值到ref。
ref是秩為P的張量,indices是秩為Q的張量。
indices是整數型別的張量,必須具有這樣的形狀 。
indices最內部的維度對應於ref的某個元素或切片。
updates的形狀是 ,是秩為Q-1+P-K的張量。
如果我們想要把(4,)的向量賦值到(8,)的ref中,我們可以像下面這樣子操作。
ref = tf.Variable([1,2,3,8]) indices = tf.constant([[4],12]) update = tf.scatter_nd_update(ref,updates) with tf.Session() as sess: print sess.run(update)
我們可以得到這樣的ref
[1,12]
函式引數
ref:一個可變的Tensor。
indices:一個 int32 或 int64 Tensor;一個對ref進行索引的張量.
updates:一個Tensor.必須與ref具有相同的型別;更新值張量.
use_locking:可選的bool;如果為True,則賦值將受鎖定的保護;否則行為是不確定的,但可能表現出較少的爭用.
name:操作的名稱(可選).
返回值:
經過更新的ref。
以上這篇淺談tensorflow中張量的提取值和賦值就是小編分享給大家的全部內容了,希望能給大家一個參考,也希望大家多多支援我們。