GatherND¶

GatherND - 13¶

版本¶

名称: GatherND (GitHub)
域: main
自版本: 13
函数: False
支持级别: SupportType.COMMON
形状推断: True

此版本的运算符自版本 13起可用。

摘要¶

给定秩为 r >= 1 的 data 矩阵，秩为 q >= 1 的 indices 矩阵，以及整数 batch_dims b，此运算符将 data 的切片收集到秩为 q + r - indices_shape[-1] - 1 - b 的输出矩阵中。

indices 是一个 q 维整数矩阵，最好将其视为 (q-1) 维索引元组矩阵，其中每个元素定义 data 的切片

batch_dims（表示为 b）是一个整数，指示批次维度的数量，即 data 矩阵的前 b 个维度和 indices 表示批次，收集从 b+1 维度开始。

关于输入的秩和形状的一些要点

应满足 r >= 1 且 q >= 1。秩 r 和 q 之间没有依赖条件需要满足
indices 矩阵和 data 矩阵的形状的前 b 个维度必须相等。
应满足 b < min(q, r)。
indices_shape[-1] 的值应在 1（包含）到秩 r-b（包含）之间
预计 indices 中的所有值都在大小为 s 的轴的范围内 [-s, s-1]（即） -data_shape[i] <= indices[...,i] <= data_shape[i] - 1。如果任何索引值超出范围，则为错误。

输出的计算方式如下

输出矩阵是通过将 indices 矩阵中的每个索引元组映射到输入 data 的相应切片来获得的。

如果 indices_shape[-1] > r-b => 错误条件
如果 indices_shape[-1] == r-b，由于 indices 的秩为 q，因此可以将 indices 视为包含 N 个 (q-b-1) 维矩阵的 N 个 (q-b-1) 维矩阵，每个矩阵都包含一个维度为 r-b 的一维矩阵，其中 N 是一个整数，等于 1 与 indices_shape 的批次维度中的所有元素的乘积。让我们将每个这样的 r-b 秩矩阵视为 indices_slice。对应于 data[0:b-1,indices_slice] 的每个标量值都填充到 (q-b-1) 维矩阵的对应位置，以形成 output 矩阵（下面的示例 1）。
如果 indices_shape[-1] < r-b，由于 indices 的秩为 q，因此可以将 indices 视为包含 N 个维度为 < r-b 的一维矩阵的 N 个 (q-b-1) 维矩阵。让我们将每个这样的矩阵视为 indices_slice。对应于 data[0:b-1, indices_slice , :] 的每个矩阵切片都填充到 (q-b-1) 维矩阵的对应位置，以形成 output 矩阵（下面的示例 2、3、4 和 5）。

此运算符是 ScatterND 的逆运算。

示例 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]

示例 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]

示例 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]

示例 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]

示例 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]

属性¶

batch_dims - INT（默认值为 '0'）

批次维度的数量。索引的收集从 data[batch_dims:] 的维度开始

输入¶

data（异构） - T

秩为 r >= 1 的矩阵。
indices（异构） - tensor(int64)

秩为 q >= 1 的矩阵。预计所有索引值都在大小为 s 的轴的范围内 [-s, s-1]。如果任何索引值超出范围，则为错误。

输出¶

output（异构） - T

秩为 q + r - indices_shape[-1] - 1 的矩阵。

类型约束¶

T 在 ( 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) ) 中

将输入和输出类型约束为任何张量类型。

GatherND - 12 vs 13

GatherND - 12¶

版本¶

名称: GatherND (GitHub)
域: main
since_version: 12
函数: False
支持级别: SupportType.COMMON
形状推断: True

此版本的运算符已从版本 12 开始可用。

摘要¶

indices 是一个 q 维整数矩阵，最好将其视为 (q-1) 维索引元组矩阵，其中每个元素定义 data 的切片

batch_dims（表示为 b）是一个整数，指示批次维度的数量，即 data 矩阵的前 b 个维度和 indices 表示批次，收集从 b+1 维度开始。

关于输入的秩和形状的一些要点

应满足 r >= 1 且 q >= 1。秩 r 和 q 之间没有依赖条件需要满足
indices 矩阵和 data 矩阵的形状的前 b 个维度必须相等。
应满足 b < min(q, r)。
indices_shape[-1] 的值应在 1（包含）到秩 r-b（包含）之间
预计 indices 中的所有值都在大小为 s 的轴的范围内 [-s, s-1]（即） -data_shape[i] <= indices[...,i] <= data_shape[i] - 1。如果任何索引值超出范围，则为错误。

输出的计算方式如下

输出矩阵是通过将 indices 矩阵中的每个索引元组映射到输入 data 的相应切片来获得的。

如果 indices_shape[-1] > r-b => 错误条件
如果 indices_shape[-1] == r-b，由于 indices 的秩为 q，因此可以将 indices 视为包含 N 个 (q-b-1) 维矩阵的 N 个 (q-b-1) 维矩阵，每个矩阵都包含一个维度为 r-b 的一维矩阵，其中 N 是一个整数，等于 1 与 indices_shape 的批次维度中的所有元素的乘积。让我们将每个这样的 r-b 秩矩阵视为 indices_slice。对应于 data[0:b-1,indices_slice] 的每个标量值都填充到 (q-b-1) 维矩阵的对应位置，以形成 output 矩阵（下面的示例 1）。
如果 indices_shape[-1] < r-b，由于 indices 的秩为 q，因此可以将 indices 视为包含 N 个维度为 < r-b 的一维矩阵的 N 个 (q-b-1) 维矩阵。让我们将每个这样的矩阵视为 indices_slice。对应于 data[0:b-1, indices_slice , :] 的每个矩阵切片都填充到 (q-b-1) 维矩阵的对应位置，以形成 output 矩阵（下面的示例 2、3、4 和 5）。

此运算符是 ScatterND 的逆运算。

示例 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]

示例 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]

示例 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]

示例 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]

示例 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]

属性¶

batch_dims - INT（默认值为 '0'）

批次维度的数量。索引的收集从 data[batch_dims:] 的维度开始

输入¶

data（异构） - T

秩为 r >= 1 的矩阵。
indices（异构） - tensor(int64)

秩为 q >= 1 的矩阵。预计所有索引值都在大小为 s 的轴的范围内 [-s, s-1]。如果任何索引值超出范围，则为错误。

输出¶

output（异构） - T

秩为 q + r - indices_shape[-1] - 1 的矩阵。

类型约束¶

T 在 ( 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) ) 中

将输入和输出类型约束为任何张量类型。

GatherND - 11¶

版本¶

名称: GatherND (GitHub)
域: main
since_version: 11
函数: False
支持级别: SupportType.COMMON
形状推断: True

此版本的运算符已从版本 11 开始可用。

摘要¶

给定秩 r >= 1 的 data 张量，以及秩 q >= 1 的 indices 张量，此运算符将 data 的切片收集到秩 q + r - indices_shape[-1] - 1 的输出张量中。

indices 是一个 q 维整数矩阵，最好将其视为 (q-1) 维索引元组矩阵，其中每个元素定义 data 的切片

关于输入的秩和形状的一些要点

应满足 r >= 1 且 q >= 1。秩 r 和 q 之间没有依赖条件需要满足
indices_shape[-1] 的值应在 1（含）到秩 r（含）之间。
预计 indices 中的所有值都在大小为 s 的轴的范围内 [-s, s-1]（即） -data_shape[i] <= indices[...,i] <= data_shape[i] - 1。如果任何索引值超出范围，则为错误。

输出的计算方式如下

输出矩阵是通过将 indices 矩阵中的每个索引元组映射到输入 data 的相应切片来获得的。

如果 indices_shape[-1] > r => 错误条件。
如果 indices_shape[-1] == r，由于 indices 的秩为 q，因此 indices 可以被认为是一个 (q-1) 维张量，包含维度为 r 的一维张量。让我们将每个这样的 r 秩张量视为 indices_slice。每个对应于 data[indices_slice] 的标量值都将填充到 (q-1) 维张量的相应位置，以形成 output 张量（下面的示例 1）。
如果 indices_shape[-1] < r，由于 indices 的秩为 q，因此 indices 可以被认为是一个 (q-1) 维张量，包含维度为 < r 的一维张量。让我们将每个这样的张量视为 indices_slice。每个对应于 data[indices_slice , :] 的张量切片都将填充到 (q-1) 维张量的相应位置，以形成 output 张量（下面的示例 2、3 和 4）。

此运算符是 ScatterND 的逆运算。

示例 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]

示例 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]

示例 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]

示例 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]

输入¶

data（异构） - T

秩为 r >= 1 的矩阵。
indices（异构） - tensor(int64)

秩为 q >= 1 的矩阵。预计所有索引值都在大小为 s 的轴的范围内 [-s, s-1]。如果任何索引值超出范围，则为错误。

输出¶

output（异构） - T

秩为 q + r - indices_shape[-1] - 1 的矩阵。

类型约束¶

T 在 ( 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) ) 中

将输入和输出类型约束为任何张量类型。