這篇文章主要介紹“分析tensorflow中張量的提取值和賦值”，在日常操作中，相信很多人在分析tensorflow中張量的提取值和賦值問(wèn)題上存在疑惑，小編查閱了各式資料，整理出簡(jiǎn)單好用的操作方法，希望對(duì)大家解答”分析tensorflow中張量的提取值和賦值”的疑惑有所幫助！接下來(lái)，請(qǐng)跟著小編一起來(lái)學(xué)習(xí)吧！
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(yán)格上說(shuō)，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(gè)元素（標(biāo)量）是params某個(gè)axis的索引，tf.gather_nd 中indices最后一個(gè)階對(duì)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(lèi)型與params相同，具體值是從params中收集過(guò)來(lái)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(shí)，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(shí)，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(lèi)型之一：int32，int64。
name：操作的名稱(chēng)(可選)。
返回值：
該函數(shù)返回一個(gè)張量.與params具有相同的類(lèi)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(duì)零張量進(jìn)行賦值，tf.scatter_nd_update對(duì)已有可變的張量進(jìn)行賦值。
tf.scatter_nd函數(shù)scatter_nd( indices, updates, shape, name=None)
創(chuàng)建一個(gè)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(duì)應(yīng)于索引。
indices.shape[-1] <= shape.rank
如果indices.shape[-1] = shape.rank，那么indices直接對(duì)應(yīng)到新張量的單個(gè)元素。如果indices.shape[-1] < shape.rank，那么indices中每個(gè)元素對(duì)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(gè)切片，如下圖所示，則應(yīng)該像下面代碼里所說(shuō)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(huì)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(lèi)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(lèi)型；1-d；得到的張量的形狀。
name：操作的名稱(chēng)(可選)。
返回值
此函數(shù)返回一個(gè)Tensor,它與updates有相同的類(lèi)型；一個(gè)有shape形狀的新張量，初始化值為0，部分值根據(jù)indices用updates進(jìn)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(gè)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(lèi)型的張量，必須具有這樣的形狀 。
indices最內(nèi)部的維度對(duì)應(yīng)于ref的某個(gè)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(gè)可變的Tensor。
indices：一個(gè) int32 或 int64 Tensor；一個(gè)對(duì)ref進(jìn)行索引的張量.
updates：一個(gè)Tensor.必須與ref具有相同的類(lèi)型；更新值張量.
use_locking：可選的bool；如果為T(mén)rue,則賦值將受鎖定的保護(hù)；否則行為是不確定的,但可能表現(xiàn)出較少的爭(zhēng)用.
name：操作的名稱(chēng)(可選).
返回值：
經(jīng)過(guò)更新的ref。
到此，關(guān)于“分析tensorflow中張量的提取值和賦值”的學(xué)習(xí)就結(jié)束了，希望能夠解決大家的疑惑。理論與實(shí)踐的搭配能更好的幫助大家學(xué)習(xí)，快去試試吧！若想繼續(xù)學(xué)習(xí)更多相關(guān)知識(shí)，請(qǐng)繼續(xù)關(guān)注創(chuàng)新互聯(lián)網(wǎng)站，小編會(huì)繼續(xù)努力為大家?guī)?lái)更多實(shí)用的文章！
重慶分公司
重慶分公司
