TensorFlow函數(shù)：tf.scatter_nd_update

tf.scatter_nd_update 函數(shù)

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

請參閱指南：變量>稀疏變量更新

根據(jù)indices對給定變量中的單個值或切片應(yīng)用稀疏updates.

在這個函數(shù)中,ref是一個秩為P的Tensor,indices是一個秩為Q的Tensor.

indices必須是整數(shù)張量,包含索引到ref.它一定有形狀：[d_0, ..., d_{Q-2}, K],并且是：0<K<=P.

indices(具有長度K)的最內(nèi)部維度對應(yīng)于沿著ref的K維度的元素(if K = P)或切片(if K < P)的索引.

updates是具有形狀的秩為Q-1+P-K的Tensor：

[d_0, ..., d_{Q-2}, ref.shape[K], ..., ref.shape[P-1]]

例如,假設(shè)我們想把4個分散的元素更新為一個rank-1張量到8個元素.在Python中,該更新將如下所示：

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)

對ref的結(jié)果更新如下所示：

[1, 11, 3, 10, 9, 6, 7, 12]

請參閱tf.scatter_nd有關(guān)如何更新切片的更多詳細(xì)信息.

函數(shù)參數(shù)

• ref：一個可變的Tensor；應(yīng)該來自一個變量節(jié)點(diǎn).
• indices：一個Tensor.必須是以下類型之一：int32,int64；索引到ref的一個張量.
• updates：一個Tensor.必須與ref具有相同的類型；要添加到ref更新值的張量.
• use_locking：可選的bool；如果為True,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)出較少的爭用.
• name：操作的名稱(可選).

函數(shù)返回值

使用tf.scatter_nd_update函數(shù)能夠返回一個可變的Tensor.與ref有相同的類型；與 ref 一樣,返回為希望在更新完成后使用更新的值的操作的方便性.