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.

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

Если Status::OK() возвращается, два тензора теперь используют одно и то же базовое хранилище.

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

Конкретно:

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 любое из требований не выполняется, 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 если other.shape() имеет то же количество элементов, что и заданный shape.

Краткое описание тензора, удобное для отладки.

Заполнить TensorDescription протокол метаданными о тензоре, полезными для мониторинга и отладки.

Разбор other и создание тензора.

Возвращает true в случае успешного разбора. В случае неудачи состояние *this не изменяется.

Возвращает true, если тензор выровнен.

Если необходимо, был ли инициализирован этот Tensor?

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

Удобный доступ к форме тензора.

Вырезание части тензора по первому измерению.

То есть, возвращаемый тензор удовлетворяет returned[i, ...] == this[dim0_start + i, ...]. Возвращаемый тензор использует буфер исходного тензора.

ПРИМЕЧАНИЕ: Возвращаемый тензор может не соответствовать требованиям выравнивания исходного тензора в зависимости от формы. Вызывающий метод должен проверить выравнивание возвращаемого тензора перед вызовом определённых методов, требующих выравнивания (например, flat(), tensor()).

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

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

Выбор подслоя из этого тензора по первому измерению.

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

ПРИМЕЧАНИЕ: Возвращаемый тензор может не соответствовать требованиям выравнивания исходного тензора в зависимости от формы. Вызывающий метод должен проверить выравнивание возвращаемого тензора перед вызовом определённых методов, требующих выравнивания (например, flat(), tensor()).

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

Представление первых max_entries значений в *this в виде строки.

Создаёт 1-мерный тензор с 0 элементами типа float.

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 он инициализируется по умолчанию (IsInitialized() равно true). Если это нежелательно, рассмотрите создание скаляра с одним элементом, для которого требуется инициализация:

Tensor(DT_FLOAT, TensorShape({}))

Создаёт Tensor с заданным type и shape.

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

Базовый буфер выделяется с помощью CPUAllocator.

Создаёт тензор с входными type и shape, используя аллокатор a для выделения базового буфера.

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

a должен существовать дольше, чем этот Tensor.

Создаёт тензор с входными type и shape, используя аллокатор 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, и LogMemory::RecordTensorAllocation должен быть вызван после построения тензора. Прямой вызов конструктора Tensor изнутри Операции устарел: используйте методы OpKernelConstruction/OpKernelContext allocate_* для выделения нового тензора, которые записывают ядро и шаг.

a должен существовать дольше, чем этот Tensor.

Создаёт тензор с указанным типом данных, формой и буфером.

Получает ссылку на буфер buf, принадлежащий этому Tensor.

Создаёт пустой Tensor заданного типа данных.

Как и Tensor(), возвращает 1-мерный тензор с 0 элементами и IsInitialized() равным True. См. документацию Tensor() для подробностей.

Конструктор копирования.

Конструктор перемещения.

После этого вызова безопасно уничтожается и может быть присвоено, но другие вызовы к нему (например, изменение формы) недействительны.

Возвращает предполагаемое использование памяти этим тензором.

Подобно BitcastFrom, но CHECK терпит неудачу, если не выполнены все условия.

Устарело. Используйте BitcastFrom вместо этого и проверьте возвращаемый Status.

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

Использование bitcast полезно для операций перемещения и копирования. Допускаемое bitcast — единственное отличие от shaped().

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

Использование bitcast полезно для операций перемещения и копирования. Допускаемое bitcast — единственное отличие от shaped().

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

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

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

Использование bitcast полезно для операций перемещения и копирования. ПРИМЕЧАНИЕ: это то же самое, что и tensor() за исключением разрешенного 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 типа данных и указанной формы.

Эти методы позволяют получить доступ к данным с необходимыми размерностями и размерами. Вам не нужно знать количество измерений тензора Tensor для их вызова. Однако они CHECK , что тип соответствует и 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({4, 15});
// CHECK fails, bad num elements:
auto outer = my_ten.shaped({4, 8});
// 3D Eigen::Tensor 6 x 5 x 2:
auto weird = my_ten.shaped({6, 5, 2});
// CHECK fails, type mismatch:
auto bad   = my_ten.flat();

Возвращает данные как Eigen::Tensor с NDIMS измерениями, сводя все измерения тензора Tensor, кроме последнего NDIMS-1, в первое измерение результата.

Если NDIMS > dims(), то к ведущим измерениям размера 1 будут добавлены для приведения ранга результата к NDIMS.

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

Если 'begin' < 0, то будут добавлены |'begin'| ведущие измерения размера 1. Если 'begin' + NDIMS > dims(), то будут добавлены 'begin' + NDIMS - dims() последующие измерения размера 1.

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

Если NDIMS > dims(), то последующие измерения размера 1 будут добавлены для приведения ранга результата к NDIMS.

Оператор присваивания. Этот тензор разделяет хранилище другого.

Оператор перемещения. Подробнее см. в конструкторе перемещения.

Возвращает данные тензора в Eigen::Tensor с элементами последнего измерения, преобразованными в отдельные элементы более крупного типа.

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

Возвращает данные тензора в Eigen::Tensor с элементами последнего измерения, преобразованными в отдельные элементы более крупного типа.

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

Возвращает данные тензора в виде TensorMap фиксированного размера 1: TensorMap>.

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

Возвращает форму тензора.

Возвращает StringPiece отображение буфера текущего тензора.

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

ПРИМЕЧАНИЕ: базовый буфер тензора имеет счетчик ссылок, поэтому срок жизни содержимого, отображаемого StringPiece, соответствует сроку жизни буфера; вызывающие стороны должны позаботиться о том, чтобы буфер не был уничтожен, пока StringPiece все еще используется.

ТРЕБУЕТСЯ: DataTypeCanUseMemcpy(dtype()).

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

Используйте эти методы, когда вы знаете тип данных и количество измерений тензора, и хотите Eigen::Tensor, автоматически размер которой соответствует Tensor размерам. Реализация проверки завершится 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(); // 2D Eigen::Tensor, 3 x 5.
auto vec = my_mat.vec();       // CHECK fails as my_mat is 2D.
auto vec = my_mat.tensor(); // CHECK fails as my_mat is 2D.
auto mat = my_mat.matrix();// CHECK fails as type mismatch.

Константные версии всех методов выше.