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 буфера.

Если возвращается Status::OK(), оба тензора теперь используют один и тот же базовый 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 какое-либо из требований не выполняется, возвращается errors::InvalidArgument.

Скопировать другой тензор в этот тензор и изменить его форму.

Этот тензор разделяет базовое хранилище с other. Возвращает true если other.shape() имеет такое же количество элементов, что и заданный shape.

Читаемая человеком сводка тензора, подходящая для отладки.

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

Разбор other и построение тензора.

Возвращает true при успешном разборе. Если разбор завершился неудачей, состояние *this остается неизменным.

Возвращает true, если этот тензор выровнен.

Если необходимо, был ли инициализирован этот Tensor?

Тензоры с нулевым количеством элементов всегда считаются инициализированными, даже если им никогда не было присвоено значение и у них не выделена память.

Удобный доступ к форме тензора.

Slice этого тензора по первому измерению.

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

ПРИМЕЧАНИЕ. Возвращаемый тензор может не соответствовать требованиям выравнивания этого тензора в зависимости от формы. Вызывающий код 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 вы хотите выбрать подтензор, см. SubSlice.

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

Выбор подслайса из этого тензора по первому измерению.

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

ПРИМЕЧАНИЕ. Возвращаемый тензор может не соответствовать требованиям выравнивания этого тензора в зависимости от формы. Вызывающий код должен проверить выравнивание возвращаемого тензора перед вызовом определенных методов, которые требуют выравнивания (например, flat(), tensor()).

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

Отображение первых max_entries значений в *this в строку.

Создаёт одномерный тензор с 0 элементами типа float.

Возвращаемый Tensor не является скалярным (форма {}), а вместо этого представляет собой пустой одномерный Tensor (форма {0}, NumElements() == 0). Поскольку он не содержит элементов, он не нуждается в присваивании значения и инициализируется по умолчанию (IsInitialized() равно true). Если это нежелательно, рассмотрите создание скаляра с одним элементом, который требует инициализации:

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 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 входными type и shape, используя выделение a для выделения базового буфера.

Если LogMemory::IsEnabled(), выделение памяти 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 входными type и shape, используя выделение a и указанный "allocation_attr" для выделения базового буфера.

Если ядро и шаг известны, allocation_attr.allocation_will_be_logged должен быть установлен в true, а LogMemory::RecordTensorAllocation — вызван после создания 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 заданным типом данных, формой и буфером.

Получает ссылку на буфер buf, который принадлежит этому Tensor.

Создаёт пустой Tensor заданного типа данных.

Как и Tensor(), возвращает одномерный Tensor с 0 элементами, где IsInitialized() возвращает True. Смотрите документацию Tensor() для получения подробной информации.

Конструктор копирования.

Конструктор перемещения.

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

Возвращает оценку занимаемой памяти этим тензором.

Как BitcastFrom, но CHECK завершается неудачей, если не выполнены какие-либо предварительные условия.

Устарело. Используйте BitcastFrom вместо него 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. Допускаемое bitcast — единственное отличие от shaped().

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. Допускаемое bitcast — единственное отличие от shaped().

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

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

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

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

Эти методы позволяют вам получить доступ к данным с произвольными размерами и измерениями. Вам не нужно знать количество измерений Тензора, чтобы вызвать их. Однако они CHECK что тип совпадает и запрошенные измерения 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, сворачивая все измерения Тензора, кроме последнего NDIMS-1, в первое измерение результата.

Если NDIMS > dims(), то к ведущим измерениям размера 1 будут добавлены измерения, чтобы сделать ранг выходных данных NDIMS.

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

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

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

Если NDIMS > dims(), то последующие измерения размера 1 будут добавлены, чтобы сделать ранг выходных данных NDIMS.

Оператор присваивания. Этот тензор разделяет хранилище других.

Оператор перемещения. Подробности см. в конструкторе перемещения.

Возвращает данные тензора в виде Eigen::Tensor, где элементы последнего измерения преобразуются в отдельные 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 * количеству элементов в исходном последнем измерении. NDIMS должен быть на 1 меньше, чем исходное количество измерений.

Возвращает данные тензора в виде Eigen::Tensor с элементами последнего измерения, преобразованными в отдельные 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 * количеству элементов в исходном последнем измерении. NDIMS должен быть на 1 меньше, чем исходное количество измерений.

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

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

Возвращает форму тензора.

Возвращает StringPiece , отображающий буфер текущего тензора.

Возвращаемый StringPiece может указывать на расположение памяти на устройствах, к которым ЦПУ не имеет прямого доступа.

ПРИМЕЧАНИЕ. Подлежащий буфер тензора имеет счётчик ссылок, поэтому срок службы содержимого, отображённого StringPiece, соответствует сроку службы буфера; вызывающие стороны должны позаботиться о том, чтобы буфер не был уничтожен, пока StringPiece всё ещё используется.

ТРЕБУЕТСЯ: DataTypeCanUseMemcpy(dtype()).

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

Используйте эти методы, когда вы знаете тип данных и количество измерений тензора Tensor, и вам нужен Eigen::Tensor , автоматически настроенный на размеры Tensor. Реализация проверки завершится ошибкой, если типы 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.

Постоянные версии всех вышеперечисленных методов.