分析tensorflow中張量的提取值和賦值

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題上存在疑惑，小編查閱了各式資料，整理出簡單好用的操作方法，希望對大家解答”分析tensorflow中張量的提取值和賦值”的疑惑有所幫助！接下來，請跟著小編一起來學習吧！

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最后一個階對應于索引值。

tf.gather函數

函數原型

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是標量

如果indices是向量

如果indices是高階張量

返回值：

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

tf.gather_nd函數

函數原型

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最后一階的維數等于params的秩時，我們得到params的某些元素；indices最后一階的維數小于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：

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是整數張量，最內部維度對應于索引。

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

如果indices.shape[-1] = shape.rank，那么indices直接對應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]]]

函數參數

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indices用updates進行更新。

tf.scatter_nd_update函數

函數原型

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是整數類型的張量，必須具有這樣的形狀 。

indices最內部的維度對應于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]

函數參數

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,但可能表現出較少的爭用.

name：操作的名稱(可選).

返回值：

經過更新的ref。

到此，關于“分析tensorflow中張量的提取值和賦值”的學習就結束了，希望能夠解決大家的疑惑。理論與實踐的搭配能更好的幫助大家學習，快去試試吧！若想繼續(xù)學習更多相關知識，請繼續(xù)關注億速云網站，小編會繼續(xù)努力為大家?guī)砀鄬嵱玫奈恼拢?/p>