TensorFlow学习（三）：tf.scatter_nd函数

 

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

根据indices将updates散布到新的（初始为零）张量。

根据索引对给定shape的零张量中的单个值或切片应用稀疏updates来创建新的张量。此运算符是tf.gather_nd运算符的反函数，它从给定的张量中提取值或切片。

警告：更新应用的顺序是非确定性的，所以如果indices包含重复项的话，则输出将是不确定的。

indices是一个整数张量，其中含有索引形成一个新的形状shape张量。indices的最后的维度可以是shape的最多的秩：

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

indices的最后一个维度对应于沿着shape的indices.shape[-1]维度的元素的索引（if indices.shape[-1] = shape.rank）或切片（if indices.shape[-1] < shape.rank）的索引。updates是一个具有如下形状的张量：

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

最简单的分散形式是通过索引将单个元素插入到张量中。例如，假设我们想要在8个元素的1级张量中插入4个分散的元素。

在Python中，这个分散操作看起来像这样：

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))

由此产生的张量将如下所示：

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

我们也可以一次插入一个更高阶张量的整个片。例如，如果我们想要在具有两个新值的矩阵的第三维张量中插入两个切片。

在Python中，这个分散操作看起来像这样：

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))

由此产生的张量将如下所示：

[[[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]]]

函数参数

• indices：一个Tensor；必须是以下类型之一：int32，int64；指数张量。
• updates：一个Tensor；分散到输出的更新。
• shape：一个Tensor；必须与indices具有相同的类型；1-d；得到的张量的形状。
• name：操作的名称（可选）。

函数返回值

此函数将返回一个Tensor，它与updates有相同的类型；根据indices应用的一个新具有给定的形状和更新的张量。