tensorflow::Tensor

Заполняет proto содержимым тензора *this.

AsProtoField() заполняет повторяющееся поле для proto.dtype(), а AsProtoTensorContent() кодирует содержимое в proto.tensor_content() в компактной форме.

Копирует другой тензор в этот тензор, изменяет его форму и переинтерпретирует тип данных буфера.

Если возвращен статус ok, теперь оба тензора используют одно и то же базовое хранилище.

Для этого вызова требуется, чтобы тензор other и заданные тип и форма были «совместимы» (то есть занимали одинаковое количество байтов).

В частности:

shape.num_elements() * DataTypeSize(type)

должно быть равно

other.num_elements() * DataTypeSize(other.dtype())

Кроме того, для этой функции требуется:

• DataTypeSize(other.dtype()) != 0
• DataTypeSize(type) != 0

Если какое-либо из требований не выполнено, возвращается errors::InvalidArgument.

Копирует другой тензор в этот тензор и изменяет его форму.

Этот тензор использует то же базовое хранилище, что и другой. Возвращает true тогда и только тогда, когда other.shape() содержит такое же число элементов, как и заданный shape.

Удобочитаемое описание тензора для отладки.

Заполняет прототип TensorDescription метаданными о тензоре, полезными для мониторинга и отладки.

Разбирает other и создает тензор.

Возвращает true тогда и только тогда, когда разбор выполнен успешно. Если разбор завершается неудачей, состояние *this не изменяется.

Возвращает true тогда и только тогда, когда этот тензор выровнен.

Инициализирован ли этот Tensor, если это необходимо?

Тензоры с нулевым количеством элементов всегда считаются инициализированными, даже если им никогда не присваивалось значение и для них не выделялась память.

Удобный метод доступа к форме тензора.

Извлекает срез этого тензора вдоль первого измерения.

То есть возвращаемый тензор удовлетворяет условию returned[i, ...] == this[dim0_start + i, ...]. Возвращаемый тензор использует общий базовый буфер с этим тензором.

ПРИМЕЧАНИЕ: В зависимости от формы возвращаемый тензор может не удовлетворять тем же требованиям к выравниванию, что и этот тензор. Перед вызовом методов, требующих выравнивания (например, flat(), tensor()), вызывающий код должен проверить выравнивание возвращаемого тензора.

ПРИМЕЧАНИЕ: Для N-мерного тензора этот метод также возвращает тензор с N измерениями. Чтобы выбрать подтензор, см. SubSlice.

ТРЕБУЕТСЯ: dims() >= 1 ТРЕБУЕТСЯ: 0 <= dim0_start <= dim0_limit <= dim_size(0)

Выбирает подсрез этого тензора вдоль первого измерения.

Для N-мерного тензора этот метод возвращает тензор с N-1 измерениями, представляющий собой подсрез входного тензора вдоль первого измерения. N-1 измерений возвращаемого тензора соответствуют последним N-1 измерениям входного тензора.

ПРИМЕЧАНИЕ: В зависимости от формы возвращаемый тензор может не удовлетворять тем же требованиям к выравниванию, что и этот тензор. Перед вызовом методов, требующих выравнивания (например, flat(), tensor()), вызывающий код должен проверить выравнивание возвращаемого тензора.

ТРЕБУЕТСЯ: dims() >= 1 ТРЕБУЕТСЯ: 0 <= index < dim_size(0)

Преобразует первые max_entries значений в *this в строку.

Создает одномерный тензор с плавающей точкой и 0 элементами.

Возвращаемый Tensor не является скаляром (форма {}), а представляет собой пустой одномерный Tensor (форма {0}, NumElements() == 0). Поскольку он не содержит элементов, ему не нужно присваивать значение, и по умолчанию он инициализирован (IsInitialized() возвращает true). Если это нежелательно, рассмотрите возможность создания скаляра с одним элементом, который требует инициализации:

Tensor(DT_FLOAT, TensorShape({}))

Создает Tensor с заданными type и shape.

Если включен LogMemory::IsEnabled(), выделение памяти регистрируется как выполненное неизвестным ядром и на неизвестном шаге. Прямой вызов конструктора Tensor из Op считается устаревшим: используйте методы allocate_* класса OpKernelConstruction/OpKernelContext для выделения нового тензора, чтобы записать ядро и шаг.

Базовый буфер выделяется с помощью CPUAllocator.

Создает тензор с входными type и shape, используя распределитель a для выделения базового буфера.

Если включен LogMemory::IsEnabled(), выделение памяти регистрируется как выполненное неизвестным ядром и на неизвестном шаге. Прямой вызов конструктора Tensor из Op считается устаревшим: используйте методы allocate_* класса OpKernelConstruction/OpKernelContext для выделения нового тензора, чтобы записать ядро и шаг.

a должен существовать дольше этого Tensor.

Создает тензор с входными type и shape, используя распределитель a и указанный параметр «allocation_attr» для выделения базового буфера.

Если ядро и шаг известны, для allocation_attr.allocation_will_be_logged следует установить значение true, а после создания тензора вызвать LogMemory::RecordTensorAllocation. Прямой вызов конструктора Tensor из Op считается устаревшим: используйте методы allocate_* класса OpKernelConstruction/OpKernelContext для выделения нового тензора, чтобы записать ядро и шаг.

a должен существовать дольше этого Tensor.

Создает тензор с входными типом данных, формой и buf.

Увеличивает счетчик ссылок buf, который принадлежит этому Tensor.

Создает тензор с входными типом данных, формой и buf.

Принимает владение буфером у указателя со счетчиком ссылок.

Создает пустой Tensor заданного типа данных.

Как и Tensor(), возвращает одномерный Tensor с 0 элементами, для которого IsInitialized() возвращает True. Подробности см. в документации Tensor().

Конструктор копирования.

Конструктор перемещения.

После этого вызова объект можно безопасно уничтожить или присвоить ему значение, а также вызвать IsInitialized(), который вернёт false. Другие вызовы для объекта (например, изменение формы) недопустимы.

Возвращает оценку использования памяти этим тензором.

Аналогичен BitcastFrom, но завершается с ошибкой CHECK, если не выполнено какое-либо из предварительных условий.

Устарел. Используйте BitcastFrom и проверяйте возвращённый объект Status.

Возвращает данные тензора в Eigen::Tensor с новой формой, указанной в new_sizes, и преобразует их в новый тип данных T.

Побитовое преобразование удобно для операций перемещения и копирования. Единственное отличие от shaped() — возможность побитового преобразования.

Возвращает данные тензора в Eigen::Tensor с новой формой, указанной в new_sizes, и преобразует их в новый тип данных T.

Побитовое преобразование удобно для операций перемещения и копирования. Единственное отличие от shaped() — возможность побитового преобразования.

Возвращает данные тензора в Eigen::Tensor того же размера, но с побитовым преобразованием в указанный тип данных T.

Побитовое преобразование удобно для операций перемещения и копирования. ПРИМЕЧАНИЕ: это то же самое, что tensor(), за исключением того, что допускается побитовое преобразование.

Возвращает данные тензора в Eigen::Tensor того же размера, но с побитовым преобразованием в указанный тип данных T.

Побитовое преобразование удобно для операций перемещения и копирования. ПРИМЕЧАНИЕ: это то же самое, что tensor(), за исключением того, что допускается побитовое преобразование.

Удобный метод доступа к форме тензора.

Удобный метод доступа к форме тензора.

Комментарии к соответствующим методам TensorShape в tensor_shape.h содержат сведения обо всех методах доступа к форме.

Возвращает тип данных.

Возвращает данные тензора как Eigen::Tensor указанного типа данных и формы.

Эти методы позволяют обращаться к данным с выбранными вами размерами и их количеством. Для их вызова не нужно знать количество измерений объекта Tensor. Однако они CHECK, что тип совпадает, а запрошенные размеры создают Eigen::Tensor с тем же количеством элементов, что и тензор.

Пример:

  
typedef float T;
Tensor my_ten(...built with Shape{planes: 4, rows: 3, cols: 5}...);
// 1D Eigen::Tensor, size 60:
auto flat = my_ten.flat();
// 2D Eigen::Tensor 12 x 5:
auto inner = my_ten.flat_inner_dims();
// 2D Eigen::Tensor 4 x 15:
auto outer = my_ten.shaped, 2="">({4, 15});
// CHECK fails, bad num elements:
auto outer = my_ten.shaped, 2="">({4, 8});
// 3D Eigen::Tensor 6 x 5 x 2:
auto weird = my_ten.shaped, 3="">({6, 5, 2});
// CHECK fails, type mismatch:
auto bad   = my_ten.flat();</t,></t,></t,>

Возвращает данные в виде Eigen::Tensor с NDIMS измерениями, объединяя все измерения Tensor, кроме последних NDIMS-1, в первое измерение результата.

Если NDIMS > dims(), для достижения ранга NDIMS результата будут добавлены ведущие измерения размера 1.

Возвращает данные в виде Eigen::Tensor с NDIMS измерениями, объединяя первые 'begin' измерений Tensor в первое измерение результата, а измерения Tensor с последнего dims() - 'begin' - NDIMS — в последнее измерение результата.

Если 'begin' < 0, будут добавлены |'begin'| ведущих измерений размера 1. Если 'begin' + NDIMS > dims(), будут добавлены 'begin' + NDIMS - dims() завершающих измерений размера 1.

Возвращает данные в виде Eigen::Tensor с NDIMS измерениями, объединяя все измерения Tensor, кроме первых NDIMS-1, в последнее измерение результата.

Если NDIMS > dims(), для достижения ранга NDIMS результата будут добавлены завершающие измерения размера 1.

Оператор присваивания. Этот тензор использует общее с другим тензором базовое хранилище.

Оператор перемещения. Подробности см. в описании конструктора перемещения.

Возвращает данные тензора в Eigen::Tensor, преобразуя элементы последнего измерения в отдельные элементы большего типа.

Например, это удобно для ядер, которые могут обрабатывать тензоры NCHW_VECT_C типа int8 как тензоры NCHW типа int32. Размер sizeof(T) должен равняться размеру исходного типа элемента, умноженному на количество элементов в исходном последнем измерении. NDIMS должно быть на единицу меньше исходного количества измерений.

Возвращает данные тензора в Eigen::Tensor, преобразуя элементы последнего измерения в отдельные элементы большего типа.

Например, это удобно для ядер, которые могут обрабатывать тензоры NCHW_VECT_C типа int8 как тензоры NCHW типа int32. Размер sizeof(T) должен равняться размеру исходного типа элемента, умноженному на количество элементов в исходном последнем измерении. NDIMS должно быть на единицу меньше исходного количества измерений.

Возвращает данные Tensor как TensorMap фиксированного размера 1: TensorMap>.

Использование scalar() позволяет компилятору выполнять оптимизации, поскольку размер тензора известен во время компиляции.

Возвращает форму тензора.

Возвращает StringPiece, отображающий буфер текущего тензора.

Возвращаемый объект StringPiece может указывать на область памяти на устройствах, к которым ЦП не может обращаться напрямую.

ПРИМЕЧАНИЕ: для базового буфера тензора ведётся подсчёт ссылок, поэтому время существования содержимого, отображаемого объектом StringPiece, совпадает со временем существования буфера; вызывающий код должен обеспечить, чтобы буфер не был уничтожен, пока объект StringPiece используется.

ТРЕБУЕТСЯ: DataTypeCanUseMemcpy(dtype()).

Возвращает данные тензора как Eigen::Tensor с типом и размерами этого Tensor.

Используйте эти методы, если вам известны тип данных и количество измерений объекта Tensor и требуется Eigen::Tensor с размерами, автоматически соответствующими размерам Tensor. Проверка реализации завершается с ошибкой, если тип или размеры не совпадают.

Пример:

  
typedef float T;
Tensor my_mat(...built with Shape{rows: 3, cols: 5}...);
auto mat = my_mat.matrix();    // 2D Eigen::Tensor, 3 x 5.
auto mat = my_mat.tensor, 2="">(); // 2D Eigen::Tensor, 3 x 5.
auto vec = my_mat.vec();       // CHECK fails as my_mat is 2D.
auto vec = my_mat.tensor, 3="">(); // CHECK fails as my_mat is 2D.
auto mat = my_mat.matrix();// CHECK fails as type mismatch.</t,></t,>

Константные версии всех описанных выше методов.

Инициализирует тензор входными данными type и shape либо возвращает ошибку, оставляя out_tensor без изменений.

Этот фабричный метод следует использовать вместо соответствующего конструктора, если вызывающий код не может проверить, является ли DataType допустимым и поддерживаемым.

Базовый буфер выделяется с помощью CPUAllocator.