小編給大家分享一下tensorflow中如何實現(xiàn)張量的提取值和賦值，相信大部分人都還不怎么了解，因此分享這篇文章給大家參考一下，希望大家閱讀完這篇文章后大有收獲，下面讓我們一起去了解一下吧！

創(chuàng)新互聯(lián)是一家專業(yè)提供蓮花企業(yè)網(wǎng)站建設(shè),專注與網(wǎng)站設(shè)計制作、網(wǎng)站建設(shè)、HTML5建站、小程序制作等業(yè)務(wù)。10年已為蓮花眾多企業(yè)、政府機構(gòu)等服務(wù)。創(chuàng)新互聯(lián)專業(yè)網(wǎng)絡(luò)公司優(yōu)惠進行中。

tf.gather和gather_nd從params中收集數(shù)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(shù)值的位置，從張量中提取數(shù)值：tf.gather, tf.gather_nd

tf.gather indices每個元素（標(biāo)量）是params某個axis的索引，tf.gather_nd 中indices最后一個階對應(yīng)于索引值。

tf.gather函數(shù)

函數(shù)原型

gather(
 params,
 indices,
 validate_indices=None,
 name=None,
 axis=0
)

params是要查找的張量，indices是要查找值的索引（int32或int64），axis是查找軸，name是操作名。

如果indices是標(biāo)量

如果indices是向量

如果indices是高階張量

返回值：

該函數(shù)返回值類型與params相同，具體值是從params中收集過來的，形狀為

tf.gather_nd函數(shù)

函數(shù)原型

gather_nd(
 params,
 indices,
 name=None
)

indices是K階張量，包含K-1階的索引值。它最后一階是索引，最后一階維度必須小于等于params的秩。indices最后一階的維數(shù)等于params的秩時，我們得到params的某些元素；indices最后一階的維數(shù)小于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]:]

參數(shù)：

params：被收集的張量。

indices：索引張量。必須是以下類型之一：int32，int64。

name：操作的名稱(可選)。

返回值：

該函數(shù)返回一個張量.與params具有相同的類型。張量值從indices所給定的索引中收集，并且具有這樣的形狀：

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

創(chuàng)建一個形狀為shape的零張量，將updates賦值到indices指定的位置。

indices是整數(shù)張量，最內(nèi)部維度對應(yīng)于索引。

indices.shape[-1] <= shape.rank

如果indices.shape[-1] = shape.rank，那么indices直接對應(yīng)到新張量的單個元素。如果indices.shape[-1] < shape.rank，那么indices中每個元素對新張量做切片操作。updates的形狀應(yīng)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, updates, shape)
with tf.Session() as sess:
 print(sess.run(scatter))

我們得到這樣子的張量

[0, 11, 0, 10, 9, 0, 0, 12]

上面代碼中，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(yīng)該像下面代碼里所說的那樣子做。

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))

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)=(2,4,4)

我們會得到這樣子的張量

[[[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：Tensor；必須是以下類型之一：int32,int64；索引值張量。

updates：Tensor；分散到輸出的更新。

shape：Tensor；必須與indices具有相同的類型；1-d；得到的張量的形狀。

name：操作的名稱(可選)。

返回值

此函數(shù)返回一個Tensor,它與updates有相同的類型；一個有shape形狀的新張量，初始化值為0，部分值根據(jù)indices用updates進行更新。

tf.scatter_nd_update函數(shù)

函數(shù)原型

scatter_nd_update(
 ref,
 indices,
 updates,
 use_locking=True,
 name=None
)

scatter_nd_update也是把updates里面的值根據(jù)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(shù)類型的張量，必須具有這樣的形狀 。

indices最內(nèi)部的維度對應(yīng)于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, 4, 5, 6, 7, 8])
indices = tf.constant([[4], [3], [1] ,[7]])
updates = tf.constant([9, 10, 11, 12])
update = tf.scatter_nd_update(ref, indices, updates)
with tf.Session() as sess:
 print sess.run(update)

我們可以得到這樣的ref

[1, 11, 3, 10, 9, 6, 7, 12]

函數(shù)參數(shù)

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具有相同的類型；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(xiàn)出較少的爭用.

name：操作的名稱(可選).

返回值：

經(jīng)過更新的ref。

以上是“tensorflow中如何實現(xiàn)張量的提取值和賦值”這篇文章的所有內(nèi)容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內(nèi)容對大家有所幫助，如果還想學(xué)習(xí)更多知識，歡迎關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道！

文章名稱：tensorflow中如何實現(xiàn)張量的提取值和賦值-創(chuàng)新互聯(lián)
地址分享：http://www.rwnh.cn/article40/ccigho.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供移動網(wǎng)站建設(shè)、用戶體驗、網(wǎng)站設(shè)計、微信小程序、App開發(fā)、動態(tài)網(wǎng)站

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時需注明來源： 創(chuàng)新互聯(lián)