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 содержимое другого тензора в этот тензор, изменяет его форму и переинтерпретирует тип данных буфера.

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

Этот вызов требует, чтобы тензор other и указанный 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 любое из требований не выполняется, возвращается error::InvalidArgument.

Скопировать другой тензор в этот тензор и изменить его форму.

Этот тензор разделяет с другим тензором базовое хранилище. Возвращает true если other.shape() имеет то же количество элементов, что и указанный shape.

Человеко-читаемый сводный вывод тензора, подходящий для отладки.

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

Проанализировать other и создать тензор.

Возвращает true если разбор успешен. Если разбор завершился ошибкой, состояние *this не изменяется.

Возвращает true, если этот тензор выровнен.

Если необходимо, был ли инициализирован этот Тензор?

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

Удобный доступ к форме тензора.

Извлечение среза из этого тензора по первому измерению.

То есть, возвращаемый тензор удовлетворяет условию returned[i, ...] == this[dim0_start + i, ...]. Возвращаемый тензор разделяет буфер базового 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, имеющих требования к выравниванию (например, flat(), tensor()).

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

ТРЕБОВАНИЕ: dims() >= 1 ТРЕБОВАНИЕ: 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 представляют собой последние N-1 измерения 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, имеющих требования к выравниванию (например, flat(), tensor()).

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

Отображение первых max_entries значений в *this в строку.

Создаёт одномерный тензор с 0 элементами типа float.

Возвращаемый Тензор не является скаляром (форма {}), а представляет собой пустой одномерный Тензор (форма {0}, NumElements() == 0). Так как он не содержит элементов, ему не нужно назначать значение, и он инициализируется по умолчанию (IsInitialized() истинно). Если это нежелательно, рассмотрите создание скаляра с одним элементом, требующего инициализации:

Tensor(DT_FLOAT, TensorShape({}))

Создаёт Тензор заданного 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_* в 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 аллокатор 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_* в OpKernelConstruction/OpKernelContext для выделения нового тензора, которые записывают ядро и шаг.

a должен существовать дольше, чем этот Тензор.

Создаёт тензор с входным 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 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 должен существовать дольше, чем этот Тензор.

Создаёт тензор с входным типом данных, формой и буфером.

Получает ссылку на буфер, принадлежащий этому Тензору.

Создаёт тензор с входным типом данных, формой и буфером.

Принимает владение буфером от указателя с подсчетом ссылок.

Создаёт пустой Тензор заданного типа данных.

Как и Tensor(), возвращает одномерный Тензор с 0 элементами, при котором IsInitialized() возвращает True. Смотрите документацию Tensor() для подробностей.

Конструктор копирования.

Конструктор перемещения.

После этого вызова, безопасно уничтожаем, можно присваивать, и можно вызвать IsInitialized(), который вернёт false. Другие вызовы к (например, изменение формы) недопустимы.

Возвращает приблизительный объём памяти, используемой этим тензором.

Подобно BitcastFrom, но CHECK вызывает ошибку, если не выполнены какие-либо предварительные условия.

Устарело. Используйте BitcastFrom вместо этого и проверьте возвращаемый Status.

Возвращает данные тензора в виде Eigen::Tensor, с новой формой, заданной 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 виде Eigen::Tensor, с новой формой, заданной 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 виде Eigen::Tensor с таким же размером, но с битовым преобразованием в указанный тип T.

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

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

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

Удобный доступ к форме тензора.

Удобный доступ к форме тензора.

Для всех доступа к форме, 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 получить доступ к данным с произвольными размерностями и размерами. Вам не нужно знать количество размерностей Тензора для их вызова. Однако они CHECK что тип совпадает, и запрошенные размерности создают Eigen::Tensor с таким 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({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 размерностями, сворачивая все размерности Тензора кроме последней NDIMS-1 в первую размерность результата.

Если NDIMS > dims(), то добавляются ведущие размерности размером 1, чтобы ранг выходного значения стал NDIMS.

Возвращает данные как Eigen::Tensor с NDIMS размерностями, сворачивая первые 'begin' размерностей Тензора в первую размерность результата, и размерности Тензора от последней dims() - 'begin' - NDIMS в последнюю размерность результата.

Если 'begin' < 0, то добавляются |'begin'| ведущих размерностей размером 1. Если 'begin' + NDIMS > dims(), то добавляются 'begin' + NDIMS - dims() последующих размерностей размером 1.

Возвращает данные как Eigen::Tensor с NDIMS размерностями, сворачивая все размерности Тензора кроме первых NDIMS-1 в последнюю размерность результата.

Если NDIMS > dims(), то добавляются последующие размерности размером 1, чтобы ранг выходного значения стал NDIMS.

Оператор присваивания. Этот тензор разделяет хранилище данных с другим тензором.

Оператор перемещения. См. конструктор перемещения для получения подробностей.

Возвращает данные тензора в виде Eigen::Tensor с элементами последней размерности, преобразованными в отдельные элементы большего типа.

Например, это полезно для ядер, которые могут обрабатывать тензоры NCHW_VECT_C int8 как тензоры NCHW int32. sizeof(T) должно быть равно размеру исходного элементарного типа * количеству элементов в исходной последней размерности. NDIMS должен быть на 1 меньше, чем исходное количество размерностей.

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

Это полезно, например, для ядер, которые могут обрабатывать тензоры NCHW_VECT_C int8 как тензоры NCHW int32. Значение sizeof(T) должно равняться размеру исходного типа элементов * числу элементов в исходном последнем измерении. NDIMS должен быть на 1 меньше, чем исходное количество измерений.

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

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

Возвращает форму тензора.

Возвращает StringPiece отображающее буфер текущего тензора.

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

ПРИМЕЧАНИЕ: базовый буфер тензора имеет счетчик ссылок, поэтому срок жизни содержимого, отображенного 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 как 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 с размером, соответствующим Tensor размерам. Реализация завершается 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.

Константные версии всех вышеперечисленных методов.

Инициализирует тензор с входными type и shape, или возвращает ошибку и оставляет out_tensor неизменным.

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

Базовый буфер выделяется с помощью CPUAllocator.