Модуль: tf.compat.v1.ragged

Разреженные тензоры.

Этот пакет определяет операции для работы с разреженными тензорами (tf.RaggedTensor), которые представляют собой тензоры с неравномерными формами. В частности, каждый RaggedTensor имеет одну или несколько разреженных размерностей, которые являются размерностями, срезы которых могут иметь различную длину. Например, внутренняя (столбцовая) размерность rt=[[3, 1, 4, 1], [], [5, 9, 2], [6], []] разреженная, так как столбцовые срезы (rt[0, :], ..., rt[4, :]) имеют различную длину. Более подробное описание разреженных тензоров см. в документации класса tf.RaggedTensor и в руководстве по разреженным тензорам Ragged Tensor Guide.

Дополнительные операции, поддерживающие RaggedTensor

Аргументы, которые принимают RaggedTensorы, помечены жирным шрифтом.

• tf.__operators__.eq(self, other)
• tf.__operators__.ne(self, other)
• tf.bitcast(input, type, name=None)
• tf.bitwise.bitwise_and(x, y, name=None)
• tf.bitwise.bitwise_or(x, y, name=None)
• tf.bitwise.bitwise_xor(x, y, name=None)
• tf.bitwise.invert(x, name=None)
• tf.bitwise.left_shift(x, y, name=None)
• tf.bitwise.right_shift(x, y, name=None)
• tf.broadcast_to(input, shape, name=None)
• tf.cast(x, dtype, name=None)
• tf.clip_by_value(t, clip_value_min, clip_value_max, name=None)
• tf.concat(values, axis, name='concat')
• tf.debugging.check_numerics(tensor, message, name=None)
• tf.dtypes.complex(real, imag, name=None)
• tf.dtypes.saturate_cast(value, dtype, name=None)
• tf.dynamic_partition(data, partitions, num_partitions, name=None)
• tf.expand_dims(input, axis, name=None)
• tf.gather_nd(params, indices, batch_dims=0, name=None)
• tf.gather(params, indices, validate_indices=None, axis=None, batch_dims=0, name=None)
• tf.image.adjust_brightness(image, delta)
• tf.image.adjust_gamma(image, gamma=1, gain=1)
• tf.image.convert_image_dtype(image, dtype, saturate=False, name=None)
• tf.image.random_brightness(image, max_delta, seed=None)
• tf.image.resize(images, size, method='bilinear', preserve_aspect_ratio=False, antialias=False, name=None)
• tf.image.stateless_random_brightness(image, max_delta, seed)
• tf.io.decode_base64(input, name=None)
• tf.io.decode_compressed(bytes, compression_type='', name=None)
• tf.io.encode_base64(input, pad=False, name=None)
• tf.linalg.matmul(a, b, transpose_a=False, transpose_b=False, adjoint_a=False, adjoint_b=False, a_is_sparse=False, b_is_sparse=False, output_type=None, name=None)
• tf.math.abs(x, name=None)
• tf.math.acos(x, name=None)
• tf.math.acosh(x, name=None)
• tf.math.add_n(inputs, name=None)
• tf.math.add(x, y, name=None)
• tf.math.angle(input, name=None)
• tf.math.asin(x, name=None)
• tf.math.asinh(x, name=None)
• tf.math.atan2(y, x, name=None)
• tf.math.atan(x, name=None)
• tf.math.atanh(x, name=None)
• tf.math.bessel_i0(x, name=None)
• tf.math.bessel_i0e(x, name=None)
• tf.math.bessel_i1(x, name=None)
• tf.math.bessel_i1e(x, name=None)
• tf.math.ceil(x, name=None)
• tf.math.conj(x, name=None)
• tf.math.cos(x, name=None)
• tf.math.cosh(x, name=None)
• tf.math.digamma(x, name=None)
• tf.math.divide_no_nan(x, y, name=None)
• tf.math.divide(x, y, name=None)
• tf.math.equal(x, y, name=None)
• tf.math.erf(x, name=None)
• tf.math.erfc(x, name=None)
• tf.math.erfcinv(x, name=None)
• tf.math.erfinv(x, name=None)
• tf.math.exp(x, name=None)
• tf.math.expm1(x, name=None)
• tf.math.floor(x, name=None)
• tf.math.floordiv(x, y, name=None)
• tf.math.floormod(x, y, name=None)
• tf.math.greater_equal(x, y, name=None)
• tf.math.greater(x, y, name=None)
• tf.math.imag(input, name=None)
• tf.math.is_finite(x, name=None)
• tf.math.is_inf(x, name=None)
• tf.math.is_nan(x, name=None)
• tf.math.less_equal(x, y, name=None)
• tf.math.less(x, y, name=None)
• tf.math.lgamma(x, name=None)
• tf.math.log1p(x, name=None)
• tf.math.log_sigmoid(x, name=None)
• tf.math.log(x, name=None)
• tf.math.logical_and(x, y, name=None)
• tf.math.logical_not(x, name=None)
• tf.math.logical_or(x, y, name=None)
• tf.math.logical_xor(x, y, name='LogicalXor')
• tf.math.maximum(x, y, name=None)
• tf.math.minimum(x, y, name=None)
• tf.math.multiply_no_nan(x, y, name=None)
• tf.math.multiply(x, y, name=None)
• tf.math.ndtri(x, name=None)
• tf.math.negative(x, name=None)
• tf.math.nextafter(x1, x2, name=None)

• tf.math.not_equal(x, y, name=None)
• tf.math.pow(x, y, name=None)
• tf.math.real(input, name=None)
• tf.math.reciprocal_no_nan(x, name=None)
• tf.math.reciprocal(x, name=None)
• tf.math.reduce_all(input_tensor, axis=None, keepdims=False, name=None)
• tf.math.reduce_any(input_tensor, axis=None, keepdims=False, name=None)
• tf.math.reduce_max(input_tensor, axis=None, keepdims=False, name=None)
• tf.math.reduce_mean(input_tensor, axis=None, keepdims=False, name=None)
• tf.math.reduce_min(input_tensor, axis=None, keepdims=False, name=None)
• tf.math.reduce_prod(input_tensor, axis=None, keepdims=False, name=None)
• tf.math.reduce_std(input_tensor, axis=None, keepdims=False, name=None)
• tf.math.reduce_sum(input_tensor, axis=None, keepdims=False, name=None)
• tf.math.reduce_variance(input_tensor, axis=None, keepdims=False, name=None)
• tf.math.rint(x, name=None)
• tf.math.round(x, name=None)
• tf.math.rsqrt(x, name=None)
• tf.math.scalar_mul(scalar, x, name=None)
• tf.math.sigmoid(x, name=None)
• tf.math.sign(x, name=None)
• tf.math.sin(x, name=None)
• tf.math.sinh(x, name=None)
• tf.math.softplus(features, name=None)
• tf.math.special.bessel_j0(x, name=None)
• tf.math.special.bessel_j1(x, name=None)
• tf.math.special.bessel_k0(x, name=None)
• tf.math.special.bessel_k0e(x, name=None)
• tf.math.special.bessel_k1(x, name=None)
• tf.math.special.bessel_k1e(x, name=None)
• tf.math.special.bessel_y0(x, name=None)
• tf.math.special.bessel_y1(x, name=None)
• tf.math.special.dawsn(x, name=None)
• tf.math.special.expint(x, name=None)
• tf.math.special.fresnel_cos(x, name=None)
• tf.math.special.fresnel_sin(x, name=None)
• tf.math.special.spence(x, name=None)
• tf.math.sqrt(x, name=None)
• tf.math.square(x, name=None)
• tf.math.squared_difference(x, y, name=None)
• tf.math.subtract(x, y, name=None)
• tf.math.tan(x, name=None)
• tf.math.tanh(x, name=None)
• tf.math.truediv(x, y, name=None)
• tf.math.unsorted_segment_max(data, segment_ids, num_segments, name=None)
• tf.math.unsorted_segment_mean(data, segment_ids, num_segments, name=None)
• tf.math.unsorted_segment_min(data, segment_ids, num_segments, name=None)
• tf.math.unsorted_segment_prod(data, segment_ids, num_segments, name=None)
• tf.math.unsorted_segment_sqrt_n(data, segment_ids, num_segments, name=None)
• tf.math.unsorted_segment_sum(data, segment_ids, num_segments, name=None)
• tf.math.xdivy(x, y, name=None)
• tf.math.xlog1py(x, y, name=None)
• tf.math.xlogy(x, y, name=None)
• tf.math.zeta(x, q, name=None)
• tf.nn.dropout(x, rate, noise_shape=None, seed=None, name=None)
• tf.nn.elu(features, name=None)
• tf.nn.gelu(features, approximate=False, name=None)
• tf.nn.leaky_relu(features, alpha=0.2, name=None)
• tf.nn.relu6(features, name=None)
• tf.nn.relu(features, name=None)
• tf.nn.selu(features, name=None)
• tf.nn.sigmoid_cross_entropy_with_logits(labels=None, logits=None, name=None)
• tf.nn.silu(features, beta=1.0)
• tf.nn.softmax(logits, axis=None, name=None)
• tf.nn.softsign(features, name=None)
• tf.one_hot(indices, depth, on_value=None, off_value=None, axis=None, dtype=None, name=None)
• tf.ones_like(input, dtype=None, name=None)
• tf.print(*inputs, **kwargs)
• tf.rank(input, name=None)
• tf.realdiv(x, y, name=None)
• tf.reshape(tensor, shape, name=None)
• tf.reverse(tensor, axis, name=None)
• tf.size(input, out_type=tf.int32, name=None)
• tf.split(value, num_or_size_splits, axis=0, num=None, name='split')
• tf.squeeze(input, axis=None, name=None)
• tf.stack(values, axis=0, name='stack')
• tf.strings.as_string(input, precision=-1, scientific=False, shortest=False, width=-1, fill='', name=None)
• tf.strings.format(template, inputs, placeholder='{}', summarize=3, name=None)

• tf.strings.join(входные данные, разделитель='', имя=None)
• tf.strings.length(входной данные, единица='BYTE', имя=None)
• tf.strings.lower(входной данные, кодировка='', имя=None)
• tf.strings.reduce_join(входные данные, ось=None, keepdims=False, разделитель='', имя=None)
• tf.strings.regex_full_match(входной данные, шаблон, имя=None)
• tf.strings.regex_replace(входной данные, шаблон, замена, глобальная_замена=True, имя=None)
• tf.strings.strip(входной данные, имя=None)
• tf.strings.substr(входной данные, позиция, длина, единица='BYTE', имя=None)
• tf.strings.to_hash_bucket_fast(входной данные, количество_ведёр, имя=None)
• tf.strings.to_hash_bucket_strong(входной данные, количество_ведёр, ключ, имя=None)
• tf.strings.to_hash_bucket(входной данные, количество_ведёр, имя=None)
• tf.strings.to_number(входной данные, тип_выхода=tf.float32, имя=None)
• tf.strings.unicode_script(входной данные, имя=None)
• tf.strings.unicode_transcode(входной данные, кодировка_входа, кодировка_выхода, ошибки='replace', символ_замены=65533, заменить_управляющие_символы=False, имя=None)
• tf.strings.upper(входной данные, кодировка='', имя=None)
• tf.tile(входной данные, кратные, имя=None)
• tf.truncatediv(x, y, имя=None)
• tf.truncatemod(x, y, имя=None)
• tf.where(условие, x=None, y=None, имя=None)
• tf.zeros_like(входной данные, тип_данных=None, имя=None)

Классы

class RaggedTensorValue: Представляет значение RaggedTensor.

Функции

boolean_mask(...): Применяет булеву маску к data без сглаживания измерений маски.

constant(...): Создаёт константный RaggedTensor из вложенного Python-списка.

constant_value(...): Создаёт RaggedTensorValue из вложенного Python-списка.

cross(...): Генерирует перекрёстное произведение признаков из списка тензоров.

cross_hashed(...): Генерирует хэшированное перекрёстное произведение признаков из списка тензоров.

map_flat_values(...): Применяет op к flat_values одного или нескольких RaggedTensor.

placeholder(...): Создаёт заполнитель для tf.RaggedTensor, который всегда будет заполняться.

range(...): Возвращает RaggedTensor, содержащий указанные последовательности чисел.

row_splits_to_segment_ids(...): Генерирует сегментацию, соответствующую RaggedTensor row_splits.

segment_ids_to_row_splits(...): Генерирует RaggedTensor row_splits, соответствующий сегментации.

stack(...): Складывает список тензоров ранга R в один тензор ранга (R+1) RaggedTensor.

stack_dynamic_partitions(...): Складывает динамические разделы тензора или RaggedTensor.