tensorflow::Tensor

Заполняет proto содержимым тензора *this.

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

Скопировать другой тензор в этот тензор, изменить его форму и переинтерпретировать тип данных буфера.

Если возвращается статус ok, два тензора теперь совместно используют то же базовое хранилище.

Этот вызов требует, чтобы тензор other и заданный тип и форма были "совместимы" (т. е. занимали одинаковое количество байтов).

В частности:

shape.num_elements() * DataTypeSize(type)

должно быть равно

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

Кроме того, эта функция требует:

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

Если какие-либо требования не выполняются, возвращается errors::InvalidArgument.

Скопировать другой тензор в этот тензор и изменить его форму.

Этот тензор совместно использует базовое хранилище other. Возвращает true, если у other.shape() одинаковое количество элементов, что и у заданного shape.

Краткое описание тензора, удобное для отладки.

Заполнить прото TensorDescription данными о тензоре, полезными для мониторинга и отладки.

Распарсить other и создать тензор.

Возвращает true, если распарсивание прошло успешно. Если распарсивание не удалось, состояние *this остается без изменений.

Возвращает true, если этот тензор выровнен.

Если необходимо, был ли этот Tensor инициализирован?

Тензоры с нулевым количеством элементов всегда считаются инициализированными, даже если они никогда не были назначены и не имеют выделенной памяти.

Удобный доступ к форме тензора.

Вырезать этот тензор по первому измерению.

Т.е., возвращаемый тензор удовлетворяет returned[i, ...] == this[dim0_start + i, ...]. Возвращаемый тензор разделяет базовый буфер тензора с этим тензором.

ПРИМЕЧАНИЕ: Возвращаемый тензор может не удовлетворять тем же требованиям выравнивания, что и этот тензор, в зависимости от формы. Вызывающий объект должен проверить выравнивание возвращаемого тензора перед вызовом определенных методов, которые требуют выравнивания (например, flat(), tensor()).

ПРИМЕЧАНИЕ: При подаче N-мерного тензора этот метод возвращает тензор также с N измерениями. Если нужно выбрать подтензор, см. SubSlice.

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

Выбор подсреза из этого тензора по первому измерению.

При подаче N-мерного тензора этот метод возвращает тензор с N-1 измерениями, где возвращаемый тензор является подсрезом входного тензора по первому измерению. N-1 измерения возвращаемого тензора являются последними N-1 измерениями входного тензора.

ПРИМЕЧАНИЕ: Возвращаемый тензор может не удовлетворять тем же требованиям выравнивания, что и этот тензор, в зависимости от формы. Вызывающий объект должен проверить выравнивание возвращаемого тензора перед вызовом определенных методов, которые требуют выравнивания (например, flat(), tensor()).

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

Отобразить первые max_entries значений в *this в строку.

Создаёт одномерный тензор с 0 элементами типа float.

Возвращаемый Tensor не является скаляром (форма {}), а вместо этого является пустым одномерным Tensor (форма {0}, NumElements() == 0). Поскольку он не содержит элементов, он не требует присвоения значения и инициализируется по умолчанию (IsInitialized() истинно). Если это нежелательно, рассмотрите создание скаляра с одним элементом, который требует инициализации:

Tensor(DT_FLOAT, TensorShape({}))

Создаёт Tensor заданного type и shape.

Если LogMemory::IsEnabled(), выделение регистрируется как происходящее из неизвестного ядра и шага. Прямой вызов конструктора Tensor внутри операции устарел: используйте методы allocate_* OpKernelConstruction/OpKernelContext для выделения нового тензора, которые записывают ядро и шаг.

Базовый буфер выделяется с помощью CPUAllocator.

Создаёт тензор с входным type и shape, используя выделенный a для выделения базового буфера.

Если LogMemory::IsEnabled(), выделение регистрируется как происходящее из неизвестного ядра и шага. Прямой вызов конструктора Tensor внутри операции устарел: используйте методы allocate_* OpKernelConstruction/OpKernelContext для выделения нового тензора, которые записывают ядро и шаг.

a должен существовать дольше, чем этот Tensor.

Создаёт тензор с входным type и shape, используя выделенный a и указанный "allocation_attr" для выделения базового буфера.

Если ядро и шаг известны, allocation_attr.allocation_will_be_logged должно быть установлено в true, а LogMemory::RecordTensorAllocation должно быть вызвано после построения тензора. Прямой вызов конструктора Tensor внутри операции устарел: используйте методы allocate_* OpKernelConstruction/OpKernelContext для выделения нового тензора, которые записывают ядро и шаг.

a должен существовать дольше, чем этот Tensor.

Создаёт тензор с указанным типом данных, формой и buf.

Получает ссылку на buf, которая принадлежит этому Tensor.

Создаёт тензор с указанным типом данных, формой и buf.

Принимает владение буфером от указателя с подсчетом ссылок.

Создаёт пустой Тензор заданного типа данных.

Как и Tensor(), возвращает одномерный Тензор с 0 элементами, при этом IsInitialized() возвращает True. Подробнее см. в документации Tensor().

Конструктор копирования.

Конструктор перемещения.

После этого вызова безопасно подлежит удалению, может быть присвоено значение, и для него может быть вызван IsInitialized(), который вернёт false. Другие вызовы для (например, изменение формы) недействительны.

Возвращает объём используемой памяти этого тензора.

Аналогично BitcastFrom, но CHECK завершается ошибкой, если не выполнены все предварительные условия.

Устаревший метод. Используйте BitcastFrom и проверьте возвращённый Status.

Возвращает данные тензора в Eigen::Tensor с новой формой, указанной в new_sizes, и приведённые к новому типу T.

Использование bitcast полезно для операций перемещения и копирования. Разница с shaped() заключается только в разрешённом bitcast.

Возвращает данные тензора в Eigen::Tensor с новой формой, указанной в new_sizes, и приведённые к новому типу T.

Использование bitcast полезно для операций перемещения и копирования. Разница с shaped() заключается только в разрешённом bitcast.

Возвращает данные тензора в Eigen::Tensor с тем же размером, но с побитовым приведением к указанному типу T.

Использование bitcast полезно для операций перемещения и копирования. ПРИМЕЧАНИЕ: это то же самое, что и tensor(), за исключением разрешения bitcast.

Возвращает данные тензора в Eigen::Tensor с тем же размером, но с побитовым приведением к указанному типу T.

Использование bitcast полезно для операций перемещения и копирования. ПРИМЕЧАНИЕ: это то же самое, что и tensor(), за исключением разрешения bitcast.

Удобный доступ к форме тензора.

Удобный доступ к форме тензора.

Для всех аксессоров формы см. комментарии к соответствующим методам TensorShape в tensor_shape.h.

Возвращает тип данных.

Возвращает данные тензора как Eigen::Tensor заданного типа и формы.

Эти методы позволяют получить доступ к данным с произвольными размерами и измерениями. Вам не нужно знать количество измерений Тензора для их вызова. Однако они гарантируют, что тип соответствует и запрошенные размеры создают Eigen::Tensor с тем же количеством элементов, что и у тензора.

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 как Eigen::Tensor с NDIMS измерениями, объединяя все измерения Тензора, кроме последнего NDIMS-1, в первое измерение результата.

Если NDIMS > dims(), для увеличения ранга результата до NDIMS добавляются ведущие измерения размером 1.

Возвращает данные в виде Eigen::Tensor с NDIMS измерениями, сворачивая первые измерения 'begin' Tensor в первое измерение результата и измерения Tensor последних dims() - 'begin' - NDIMS в последнее измерение результата.

Если 'begin' < 0, то добавляются ведущие измерения |'begin'| размера 1. Если 'begin' + NDIMS > dims(), то добавляются 'begin' + NDIMS - dims() последующих измерений размера 1.

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

Если NDIMS > dims(), то к выходу добавляются последующие измерения размера 1, чтобы сделать ранг результата равным NDIMS.

Оператор присваивания. Этот тензор разделяет хранилище других.

Оператор перемещения. См. конструктор перемещения для подробностей.

Возвращает данные тензора в Eigen::Tensor с элементами последнего измерения, преобразованными в одиночные элементы большего типа.

Например, это полезно для ядер, которые могут обрабатывать тензоры NCHW_VECT_C int8 как тензоры NCHW int32. Размер sizeof(T) должен быть равен размеру исходного типа элемента * числу элементов в исходном последнем измерении. NDIMS должен быть на 1 меньше, чем исходное количество измерений.

Возвращает данные тензора в Eigen::Tensor с элементами последнего измерения, преобразованными в одиночные элементы большего типа.

Например, это полезно для ядер, которые могут обрабатывать тензоры NCHW_VECT_C int8 как тензоры NCHW int32. Размер sizeof(T) должен быть равен размеру исходного типа элемента * числу элементов в исходном последнем измерении. NDIMS должен быть на 1 меньше, чем исходное количество измерений.

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

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

Возвращает форму тензора.

Возвращает StringPiece, отображающую буфер текущего тензора.

Возвращаемая StringPiece может указывать на область памяти на устройствах, к которым ЦП не может получить прямой доступ.

ПРИМЕЧАНИЕ: базовый буфер тензора подсчитывается по ссылкам, поэтому срок действия содержимого, отображенного StringPiece, совпадает со сроком действия буфера; вызывающие стороны должны позаботиться о том, чтобы буфер не был уничтожен, пока StringPiece по-прежнему используется.

НЕОБХОДИМО: DataTypeCanUseMemcpy(dtype()).

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

Используйте эти методы, когда вам известен тип данных и количество измерений Tensor, и вы хотите Eigen::Tensor, автоматически размер которого соответствует Tensor размерам. Реализация проверки завершается неудачей, 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,>

Постоянные версии всех вышеперечисленных методов.

Инициализирует тензор с входными type и shape или возвращает ошибку и оставляет out_tensor без изменений.

Этот фабричный метод должен использоваться вместо соответствующего конструктора, если вызывающий код не может проверить, что DataType действителен и поддерживается.

Базовый буфер выделяется с помощью CPUAllocator.