tf.TensorArray

Класс, оборачивающий массивы тензоров с динамическим размером на каждый временной шаг.

tf.TensorArray(
    dtype,
    size=None,
    dynamic_size=None,
    clear_after_read=None,
    tensor_array_name=None,
    handle=None,
    flow=None,
    infer_shape=True,
    element_shape=None,
    colocate_with_first_write_call=True,
    name=None
)

Используется в блокнотах

Этот класс предназначен для использования с динамическими итерационными примитивами, такими как while_loop и map_fn. Он поддерживает обратное распространение градиента с помощью специальных зависимостей потока управления.

Обратите внимание, что хотя массив можно читать несколько раз и позиции можно перезаписывать, поведение может быть неопределенным при хранении нескольких ссылок на один и тот же массив и clear_after_read равен False. В частности, избегайте использования методов, таких как concat(), для преобразования промежуточного TensorArray в Tensor, а затем дальнейшего изменения TensorArray, особенно если вам нужно выполнить обратное распространение градиента через него позже.

Пример 1: Простое чтение и запись.

ta = tf.TensorArray(tf.float32, size=0, dynamic_size=True, clear_after_read=False)
ta = ta.write(0, 10)
ta = ta.write(1, 20)
ta = ta.write(2, 30)

ta.read(0)
<tf.Tensor: shape=(), dtype=float32, numpy=10.0>
ta.read(1)
<tf.Tensor: shape=(), dtype=float32, numpy=20.0>
ta.read(2)
<tf.Tensor: shape=(), dtype=float32, numpy=30.0>
ta.stack()
<tf.Tensor: shape=(3,), dtype=float32, numpy=array([10., 20., 30.],
dtype=float32)>

Пример 2: Алгоритм последовательности Фибоначчи, который записывает в цикле, а затем возвращает результат.

@tf.function
def fibonacci(n):
  ta = tf.TensorArray(tf.float32, size=0, dynamic_size=True)
  ta = ta.unstack([0., 1.])

  for i in range(2, n):
    ta = ta.write(i, ta.read(i - 1) + ta.read(i - 2))

  return ta.stack()

fibonacci(7)
<tf.Tensor: shape=(7,), dtype=float32,
numpy=array([0., 1., 1., 2., 3., 5., 8.], dtype=float32)>

Пример 3: Простой цикл, взаимодействующий с tf.Variable.

v = tf.Variable(1)
@tf.function
def f(x):
  ta = tf.TensorArray(tf.int32, size=0, dynamic_size=True)
  for i in tf.range(x):
    v.assign_add(i)
    ta = ta.write(i, v)
  return ta.stack()
f(5)
<tf.Tensor: shape=(5,), dtype=int32, numpy=array([ 1,  2,  4,  7, 11],
dtype=int32)>

Методы

close

Просмотреть исходный код

close(
    name=None
)

Закрыть текущий TensorArray.

Примечание: Выход этого метода должен быть использован. Если это не так, будет выведено предупреждение или может быть возбуждено исключение. Чтобы отметить выходной результат как использованный, вызовите метод .mark_used().

concat

Просмотреть исходный код

concat(
    name=None
)

Возвращает значения в TensorArray как конкатенированный Tensor.

Все значения должны быть записаны, их ранг должен совпадать, а формы должны совпадать для всех измерений, кроме первого.

gather

Просмотреть исходный код

gather(
    indices, name=None
)

Возвращает выбранные значения в TensorArray как упакованный Tensor.

Все выбранные значения должны быть записаны, а их формы должны совпадать.

grad

Просмотреть исходный код

grad(
    source, flow=None, name=None
)

identity

Просмотреть исходный код

identity()

Возвращает TensorArray с тем же содержимым и свойствами.

read

Просмотреть исходный код

read(
    index, name=None
)

Прочитать значение по позиции index в TensorArray.

scatter

Просмотреть исходный код

scatter(
    indices, value, name=None
)

Разбросать значения Tensor по определённым индексам в TensorArray.

Примечание: Результат этой функции должен быть использован. Если этого не сделать, будет выведено предупреждение или может быть вызвано исключение. Чтобы отметить результат как использованный, вызовите метод .mark_used().

size

Просмотреть исходный код

size(
    name=None
)

Возвращает размер TensorArray.

split

Просмотреть исходный код

split(
    value, lengths, name=None
)

Разделить значения Tensor на TensorArray.

Примечание: Результат этой функции должен быть использован. Если этого не сделать, будет выведено предупреждение или может быть вызвано исключение. Чтобы отметить результат как использованный, вызовите метод .mark_used().

stack

Просмотреть исходный код

stack(
    name=None
)

Возвращает значения в TensorArray как объединённый Tensor.

Все значения должны быть записаны, а их формы должны совпадать. Если формы входных данных имеют ранг-R, то форма выходных данных будет иметь ранг-(R+1).

Например:

ta = tf.TensorArray(tf.int32, size=3)
ta = ta.write(0, tf.constant([1, 2]))
ta = ta.write(1, tf.constant([3, 4]))
ta = ta.write(2, tf.constant([5, 6]))
ta.stack()
<tf.Tensor: shape=(3, 2), dtype=int32, numpy=
array([[1, 2],
       [3, 4],
       [5, 6]], dtype=int32)>

unstack

Просмотреть исходный код

unstack(
    value, name=None
)

Распаковать значения Tensor в TensorArray.

Если формы входных значений имеют ранг-R, то выходной TensorArray будет содержать элементы с формами ранга-(R-1).

Примечание: Результат этой функции должен быть использован. Если этого не сделать, будет выведено предупреждение или может быть вызвано исключение. Чтобы отметить результат как использованный, вызовите метод .mark_used().

write

Просмотреть исходный код

write(
    index, value, name=None
)

Записать value в индекс index TensorArray.

Примечание: Результат этой функции должен быть использован. Если этого не сделать, будет выведено предупреждение или может быть вызвано исключение. Чтобы отметить результат как использованный, вызовите метод .mark_used().