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 Status::OK() возвращает успех, два тензора теперь разделяют одно и то же 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 какое-либо из требований не выполняется, возвращается ошибка errors::InvalidArgument.

Копирует другой тензор в этот тензор и изменяет его форму.

Этот тензор разделяет хранилище другого. Возвращает true если у other.shape() одинаковое число элементов заданного shape.

Краткое описание тензора, предназначенное для отладки.

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

Распарсить other и построить тензор.

Возвращает true при успешном парсинге. В случае неудачи состояние *this не изменяется.

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 присваивалось значение и память для них не выделялась.

Удобный доступ к форме тензора.

Вырезание данного тензора по первому измерению.

То есть, возвращаемый тензор удовлетворяет returned[i, ...] == this[dim0_start + i, ...]. Возвращаемый тензор использует ту же буферную память, что и исходный тензор.

ПРИМЕЧАНИЕ: Возвращаемый тензор может не соответствовать тому же требованию выравнивания, что и исходный тензор, в зависимости от формы. Вызывающий код должен проверить выравнивание возвращаемого тензора перед вызовом определенных методов, имеющих требование к выравниванию (например, flat(), tensor()).

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

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

Выборка 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 тому же требованию выравнивания, что и исходный тензор, в зависимости от формы. Вызывающий код должен проверить выравнивание возвращаемого тензора перед вызовом определенных методов, имеющих требование к выравниванию (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 плавающей точкой, содержащий 0 элементов.

Возвращаемый Tensor не является скалярным (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() имеет значение true). Если этого не требуется, рассмотрите создание скаляра с одним элементом, для которого требуется инициализация:

Tensor(DT_FLOAT, TensorShape({}))

Создаёт Tensor заданного type и shape.

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

Базовый буфер выделяется с использованием CPUAllocator.

Создаёт тензор со входными type и shape, используя для выделения базового буфера выделенные ресурсы a.

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

a должно существовать дольше, чем этот Tensor.

Создаёт тензор со входными type и shape, используя выделенные ресурсы 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 создания тензора. Прямой вызов конструктора Tensor внутри операции устарел: используйте методы allocate_* в OpKernelConstruction/OpKernelContext для выделения нового тензора, которые записывают ядро и шаг.

a должно 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. Подробности см. в документации к Tensor().

Конструктор копирования.

Конструктор перемещения.

После этого вызова безопасно подлежит уничтожению, может быть назначен, и IsInitialized() может быть вызван и вернёт false. Другие вызовы (например, изменение формы) недействительны.

Возвращает оценочное использование памяти этим тензором.

Аналогично BitcastFrom, но CHECK возвращает ошибку, если не выполняются какие-либо предпосылки.

Устарело. Используйте BitcastFrom вместо этого и проверьте возвращаемый 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. Разрешённый 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. Разрешённый bitcast — единственное отличие от shaped().

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

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

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

Использование bitcast полезно для операций перемещения и копирования. ПРИМЕЧАНИЕ: это то же, 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 заданной формы.

Эти методы позволяют вам получать доступ к данным с любыми размерами и измерениями. Вам не нужно знать количество измерений Tensor для их вызова. Однако они CHECK соответствие типа 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 в виде Eigen::Tensor с NDIMS измерениями, сворачивая все измерения Tensor, кроме последнего NDIMS-1, в первое измерение результата.

Если NDIMS > dims(), то ведущие измерения размера 1 будут добавлены, чтобы сделать ранг вывода NDIMS.

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

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

Оператор присваивания. Этот тензор разделяет хранилище данных другого.

Оператор перемещения. Подробнее см. конструктор 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 рассматривать тензоры int8 NCHW_VECT_C как тензоры int32 NCHW. 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 Eigen::Tensor с элементами последнего измерения, преобразованными в отдельные элементы более крупного типа.

Например, это полезно для ядер, которые могут рассматривать тензоры int8 NCHW_VECT_C как тензоры int32 NCHW. 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 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 отображение буфера текущего тензора.

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

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

НЕОБХОДИМО: DataTypeCanUseMemcpy(dtype()).

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

Используйте эти методы, если вам известен тип данных и количество измерений Tensor, и вам нужен Eigen::Tensor с автоматическим размером, соответствующим размерам Tensor. Реализация проверки завершается неудачей, 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.

Константные версии всех вышеперечисленных методов.