TensorFlow函數(shù)：tf.scatter_nd

tf.scatter_nd 函數(shù)

scatter_nd(
    indices,
    updates,
    shape,
    name=None
)

參見指南：張量變換>分割和連接

根據(jù)indices將updates散布到新的(初始為零)張量.

根據(jù)索引對給定shape的零張量中的單個值或切片應用稀疏updates來創(chuàng)建新的張量.此運算符是tf.gather_nd運算符的反函數(shù),它從給定的張量中提取值或切片.

警告：更新應用的順序是非確定性的,所以如果indices包含重復項的話,則輸出將是不確定的.

indices是一個整數(shù)張量,其中含有索引形成一個新的形狀shape張量.indices的最后的維度可以是shape的最多的秩：

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

indices的最后一個維度對應于沿著shape的indices.shape[-1]維度的元素的索引(if indices.shape[-1] = shape.rank)或切片(if indices.shape[-1] < shape.rank)的索引.updates是一個具有如下形狀的張量：

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

最簡單的分散形式是通過索引將單個元素插入到張量中.例如,假設我們想要在8個元素的1級張量中插入4個分散的元素.

在Python中,這個分散操作看起來像這樣：

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)
with tf.Session() as sess:
  print(sess.run(scatter))

由此產(chǎn)生的張量將如下所示：

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

我們也可以一次插入一個更高階張量的整個片.例如,如果我們想要在具有兩個新值的矩陣的第三維張量中插入兩個切片.

在Python中,這個分散操作看起來像這樣：

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)
with tf.Session() as sess:
  print(sess.run(scatter))

由此產(chǎn)生的張量將如下所示：

[[[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]]]

函數(shù)參數(shù)

• indices：一個Tensor；必須是以下類型之一：int32,int64；指數(shù)張量.
• updates：一個Tensor；分散到輸出的更新.
• shape：一個Tensor；必須與indices具有相同的類型；1-d；得到的張量的形狀.
• name：操作的名稱(可選).

函數(shù)返回值

此函數(shù)將返回一個Tensor,它與updates有相同的類型；根據(jù)indices應用的一個新具有給定的形狀和更新的張量.