GatherND

GatherND - 13

版本

  • 名稱: GatherND (GitHub)

  • 網域: main

  • since_version: 13

  • function: False

  • support_level: SupportType.COMMON

  • 形狀推論: True

此運算子版本自第 13 版起可用。

摘要

給定秩為 r >= 1 的 data 張量，秩為 q >= 1 的 indices 張量，以及整數 batch_dims b，此運算子會將 data 的切片收集到秩為 q + r - indices_shape[-1] - 1 - b 的輸出張量中。

indices 是一個 q 維整數張量，最好將其視為一個 (q-1) 維張量，其中包含指向 data 的索引元組，其中每個元素定義 data 的一個切片。

batch_dims (表示為 b) 是一個整數，表示批次維度的數量，即 data 張量和 indices 的前導 b 個維度代表批次，而收集從第 b+1 個維度開始。

關於輸入的秩和形狀的一些重點

  1. 必須遵守 r >= 1 和 q >= 1。秩 r 和 q 之間沒有必須滿足的相依性條件

  2. indices 張量和 data 張量的形狀的前 b 個維度必須相等。

  3. 必須遵守 b < min(q, r)。

  4. indices_shape[-1] 的值應該介於 1 (含) 和秩 r-b (含) 之間

  5. indices 中的所有值都應在大小為 s 的軸上的範圍 [-s, s-1] 內（即）-data_shape[i] <= indices[...,i] <= data_shape[i] - 1。如果任何索引值超出範圍，則會發生錯誤。

輸出計算方式如下

輸出張量是透過將 indices 張量中的每個索引元組對應到輸入 data 的對應切片來獲得。

  1. 如果 indices_shape[-1] > r-b => 錯誤狀況

  2. 如果 indices_shape[-1] == r-b，由於 indices 的秩為 q，因此可以將 indices 視為包含維度為 r-b 的 1 維張量的 N 個 (q-b-1) 維張量，其中 N 是一個等於 1 和 indices_shape 的批次維度中所有元素的乘積的整數。讓我們將每個這種秩為 r-b 的張量視為 indices_slice。對應於 data[0:b-1,indices_slice] 的每個純量值都會填入 (q-b-1) 維張量的對應位置，以形成 output 張量（如下面的範例 1）。

  3. 如果 indices_shape[-1] < r-b，由於 indices 的秩為 q，因此可以將 indices 視為包含維度為 < r-b 的 1 維張量的 N 個 (q-b-1) 維張量。讓我們將每個這樣的張量視為 indices_slice。對應於 data[0:b-1, indices_slice , :] 的每個張量切片都會填入 (q-b-1) 維張量的對應位置，以形成 output 張量（如下面的範例 2、3、4 和 5）。

此運算子是 ScatterND 的反向運算子。

範例 1

batch_dims = 0
data    = [[0,1],[2,3]]   # data_shape    = [2, 2]
indices = [[0,0],[1,1]]   # indices_shape = [2, 2]
output  = [0,3]           # output_shape  = [2]

範例 2

batch_dims = 0
data    = [[0,1],[2,3]]  # data_shape    = [2, 2]
indices = [[1],[0]]      # indices_shape = [2, 1]
output  = [[2,3],[0,1]]  # output_shape  = [2, 2]

範例 3

batch_dims = 0
data    = [[[0,1],[2,3]],[[4,5],[6,7]]] # data_shape    = [2, 2, 2]
indices = [[0,1],[1,0]]                 # indices_shape = [2, 2]
output  = [[2,3],[4,5]]                 # output_shape  = [2, 2]

範例 4

batch_dims = 0
data    = [[[0,1],[2,3]],[[4,5],[6,7]]] # data_shape    = [2, 2, 2]
indices = [[[0,1]],[[1,0]]]             # indices_shape = [2, 1, 2]
output  = [[[2,3]],[[4,5]]]             # output_shape  = [2, 1, 2]

範例 5

batch_dims = 1
data    = [[[0,1],[2,3]],[[4,5],[6,7]]] # data_shape    = [2, 2, 2]
indices = [[1],[0]]                     # indices_shape = [2, 1]
output  = [[2,3],[4,5]]                 # output_shape  = [2, 2]

屬性

  • batch_dims - INT (預設值為 '0')

    批次維度的數量。索引的收集從 data[batch_dims:] 的維度開始

輸入

  • data (異質) - T

    秩 r >= 1 的張量。

  • indices (異質) - tensor(int64)

    秩 q >= 1 的張量。所有索引值都應在大小為 s 的軸上的範圍 [-s, s-1] 內。如果任何索引值超出範圍，則會發生錯誤。

輸出

  • output (異質) - T

    秩為 q + r - indices_shape[-1] - 1 的張量。

型別約束

  • T in ( tensor(bfloat16), tensor(bool), tensor(complex128), tensor(complex64), tensor(double), tensor(float), tensor(float16), tensor(int16), tensor(int32), tensor(int64), tensor(int8), tensor(string), tensor(uint16), tensor(uint32), tensor(uint64), tensor(uint8) )

    將輸入和輸出型別約束為任何張量型別。

GatherND - 12

版本

  • 名稱: GatherND (GitHub)

  • 網域: main

  • since_version: 12

  • function: False

  • support_level: SupportType.COMMON

  • 形狀推論: True

此運算子版本自第 12 版起可用。

摘要

給定秩為 r >= 1 的 data 張量，秩為 q >= 1 的 indices 張量，以及整數 batch_dims b，此運算子會將 data 的切片收集到秩為 q + r - indices_shape[-1] - 1 - b 的輸出張量中。

indices 是一個 q 維整數張量，最好將其視為一個 (q-1) 維張量，其中包含指向 data 的索引元組，其中每個元素定義 data 的一個切片。

batch_dims (表示為 b) 是一個整數，表示批次維度的數量，即 data 張量和 indices 的前導 b 個維度代表批次，而收集從第 b+1 個維度開始。

關於輸入的秩和形狀的一些重點

  1. 必須遵守 r >= 1 和 q >= 1。秩 r 和 q 之間沒有必須滿足的相依性條件

  2. indices 張量和 data 張量的形狀的前 b 個維度必須相等。

  3. 必須遵守 b < min(q, r)。

  4. indices_shape[-1] 的值應該介於 1 (含) 和秩 r-b (含) 之間

  5. indices 中的所有值都應在大小為 s 的軸上的範圍 [-s, s-1] 內（即）-data_shape[i] <= indices[...,i] <= data_shape[i] - 1。如果任何索引值超出範圍，則會發生錯誤。

輸出計算方式如下

輸出張量是透過將 indices 張量中的每個索引元組對應到輸入 data 的對應切片來獲得。

  1. 如果 indices_shape[-1] > r-b => 錯誤狀況

  2. 如果 indices_shape[-1] == r-b，由於 indices 的秩為 q，因此可以將 indices 視為包含維度為 r-b 的 1 維張量的 N 個 (q-b-1) 維張量，其中 N 是一個等於 1 和 indices_shape 的批次維度中所有元素的乘積的整數。讓我們將每個這種秩為 r-b 的張量視為 indices_slice。對應於 data[0:b-1,indices_slice] 的每個純量值都會填入 (q-b-1) 維張量的對應位置，以形成 output 張量（如下面的範例 1）。

  3. 如果 indices_shape[-1] < r-b，由於 indices 的秩為 q，因此可以將 indices 視為包含維度為 < r-b 的 1 維張量的 N 個 (q-b-1) 維張量。讓我們將每個這樣的張量視為 indices_slice。對應於 data[0:b-1, indices_slice , :] 的每個張量切片都會填入 (q-b-1) 維張量的對應位置，以形成 output 張量（如下面的範例 2、3、4 和 5）。

此運算子是 ScatterND 的反向運算子。

範例 1

batch_dims = 0

data = [[0,1],[2,3]] # data_shape = [2, 2]

indices = [[0,0],[1,1]] # indices_shape = [2, 2]

output = [0,3] # output_shape = [2]

範例 2

batch_dims = 0

data = [[0,1],[2,3]] # data_shape = [2, 2]

indices = [[1],[0]] # indices_shape = [2, 1]

output = [[2,3],[0,1]] # output_shape = [2, 2]

範例 3

batch_dims = 0

data = [[[0,1],[2,3]],[[4,5],[6,7]]] # data_shape = [2, 2, 2]

indices = [[0,1],[1,0]] # indices_shape = [2, 2]

output = [[2,3],[4,5]] # output_shape = [2, 2]

範例 4

batch_dims = 0

data = [[[0,1],[2,3]],[[4,5],[6,7]]] # data_shape = [2, 2, 2]

indices = [[[0,1]],[[1,0]]] # indices_shape = [2, 1, 2]

output = [[[2,3]],[[4,5]]] # output_shape = [2, 1, 2]

範例 5

batch_dims = 1

data = [[[0,1],[2,3]],[[4,5],[6,7]]] # data_shape = [2, 2, 2]

indices = [[1],[0]] # indices_shape = [2, 1]

output = [[2,3],[4,5]] # output_shape = [2, 2]

屬性

  • batch_dims - INT (預設值為 '0')

    批次維度的數量。索引的收集從 data[batch_dims:] 的維度開始

輸入

  • data (異質) - T

    秩 r >= 1 的張量。

  • indices (異質) - tensor(int64)

    秩 q >= 1 的張量。所有索引值都應在大小為 s 的軸上的範圍 [-s, s-1] 內。如果任何索引值超出範圍，則會發生錯誤。

輸出

  • output (異質) - T

    秩為 q + r - indices_shape[-1] - 1 的張量。

類型約束

  • T in ( tensor(bool), tensor(complex128), tensor(complex64), tensor(double), tensor(float), tensor(float16), tensor(int16), tensor(int32), tensor(int64), tensor(int8), tensor(string), tensor(uint16), tensor(uint32), tensor(uint64), tensor(uint8) )

    將輸入和輸出型別約束為任何張量型別。

GatherND - 11

版本

  • 名稱: GatherND (GitHub)

  • 網域: main

  • since_version: 11

  • function: False

  • support_level: SupportType.COMMON

  • 形狀推論: True

此運算子的版本自版本 11 起可用。

摘要

給定秩 (rank) r >= 1 的 data 張量，以及秩 (rank) q >= 1 的 indices 張量，此運算子將 data 的切片收集到秩 (rank) 為 q + r - indices_shape[-1] - 1 的輸出張量中。

indices 是一個 q 維整數張量，最好將其視為一個 (q-1) 維張量，其中包含指向 data 的索引元組，其中每個元素定義 data 的一個切片。

關於輸入的秩和形狀的一些重點

  1. 必須遵守 r >= 1 和 q >= 1。秩 r 和 q 之間沒有必須滿足的相依性條件

  2. indices_shape[-1] 的值應介於 1 (含) 和秩 (rank) r (含) 之間

  3. indices 中的所有值都應在大小為 s 的軸上的範圍 [-s, s-1] 內（即）-data_shape[i] <= indices[...,i] <= data_shape[i] - 1。如果任何索引值超出範圍，則會發生錯誤。

輸出計算方式如下

輸出張量是透過將 indices 張量中的每個索引元組對應到輸入 data 的對應切片來獲得。

  1. 若 indices_shape[-1] > r => 錯誤情況

  2. 若 indices_shape[-1] == r，由於 indices 的秩 (rank) 為 q，因此可以將 indices 視為一個包含維度為 r 的 1 維張量的 (q-1) 維張量。讓我們將每個這樣的秩 (rank) 為 r 的張量視為 indices_slice。對應於 data[indices_slice] 的每個純量值都會填入 (q-1) 維張量的對應位置，以形成 output 張量 (以下範例 1)。

  3. 若 indices_shape[-1] < r，由於 indices 的秩 (rank) 為 q，因此可以將 indices 視為一個包含維度為 < r 的 1 維張量的 (q-1) 維張量。讓我們將每個這樣的張量視為 indices_slice。對應於 data[indices_slice , :] 的每個張量切片都會填入 (q-1) 維張量的對應位置，以形成 output 張量 (以下範例 2、3 和 4)。

此運算子是 ScatterND 的反向運算子。

範例 1

data = [[0,1],[2,3]] # data_shape = [2, 2]

indices = [[0,0],[1,1]] # indices_shape = [2, 2]

output = [0,3] # output_shape = [2]

範例 2

data = [[0,1],[2,3]] # data_shape = [2, 2]

indices = [[1],[0]] # indices_shape = [2, 1]

output = [[2,3],[0,1]] # output_shape = [2, 2]

範例 3

data = [[[0,1],[2,3]],[[4,5],[6,7]]] # data_shape = [2, 2, 2]

indices = [[0,1],[1,0]] # indices_shape = [2, 2]

output = [[2,3],[4,5]] # output_shape = [2, 2]

範例 4

data = [[[0,1],[2,3]],[[4,5],[6,7]]] # data_shape = [2, 2, 2]

indices = [[[0,1]],[[1,0]]] # indices_shape = [2, 1, 2]

output = [[[2,3]],[[4,5]]] # output_shape = [2, 1, 2]

輸入

  • data (異質) - T

    秩 r >= 1 的張量。

  • indices (異質) - tensor(int64)

    秩 q >= 1 的張量。所有索引值都應在大小為 s 的軸上的範圍 [-s, s-1] 內。如果任何索引值超出範圍，則會發生錯誤。

輸出

  • output (異質) - T

    秩為 q + r - indices_shape[-1] - 1 的張量。

類型約束

  • T in ( tensor(bool), tensor(complex128), tensor(complex64), tensor(double), tensor(float), tensor(float16), tensor(int16), tensor(int32), tensor(int64), tensor(int8), tensor(string), tensor(uint16), tensor(uint32), tensor(uint64), tensor(uint8) )

    將輸入和輸出型別約束為任何張量型別。