Menerapkan operasi set sepanjang dimensi terakhir dari 2 input `Tensor`.
Lihat SetOperationOp::SetOperationFromContext untuk mengetahui nilai `set_operation`.
Output `result` adalah `SparseTensor` yang diwakili oleh `result_indices`, `result_values`, dan `result_shape`. Untuk `set1` dan `set2` yang diberi peringkat `n`, ini memiliki peringkat `n` dan dimensi `n-1` pertama yang sama dengan `set1` dan `set2`. Dimensi `nth` berisi hasil `set_operation` yang diterapkan ke dimensi `[0...n-1]` yang sesuai dari `set`.
Kelas Bersarang
| kelas | DenseToDenseSetOperation.Options | Atribut opsional untuk DenseToDenseSetOperation | |
Konstanta
| Rangkaian | OP_NAME | Nama operasi ini dikenal dengan mesin inti TensorFlow |
Metode Publik
| statis <T memperluas TType > DenseToDenseSetOperation <T> | |
| Keluaran < TInt64 > | indeks hasil () Indeks 2D dari `SparseTensor`. |
| Keluaran < TInt64 > | bentuk hasil () Bentuk `Tensor` 1D dari `SparseTensor`. |
| Keluaran <T> | nilai hasil () Nilai 1D dari `SparseTensor`. |
| DenseToDenseSetOperation.Options statis | validasiIndeks (Boolean validasiIndeks) |
Metode Warisan
Konstanta
String akhir statis publik OP_NAME
Nama operasi ini dikenal dengan mesin inti TensorFlow
Metode Publik
publik statis DenseToDenseSetOperation <T> buat ( Lingkup lingkup, Operan <T> set1, Operan <T> set2, String setOperation, Opsi... opsi)
Metode pabrik untuk membuat kelas yang membungkus operasi DenseToDenseSetOperation baru.
Parameter
| cakupan | ruang lingkup saat ini |
|---|---|
| set1 | `Tensor` dengan peringkat `n`. Dimensi `n-1` pertama harus sama dengan `set2`. Dimensi `n` berisi nilai dalam satu set, duplikat diperbolehkan tetapi diabaikan. |
| set2 | `Tensor` dengan peringkat `n`. Dimensi `n-1` pertama harus sama dengan `set1`. Dimensi `n` berisi nilai dalam satu set, duplikat diperbolehkan tetapi diabaikan. |
| pilihan | membawa nilai atribut opsional |
Kembali
- contoh baru dari DenseToDenseSetOperation
Keluaran publik < TInt64 > bentuk hasil ()
Bentuk `Tensor` 1D dari `SparseTensor`. `result_shape[0...n-1]` sama dengan dimensi `n-1` pertama dari `set1` dan `set2`, `result_shape[n]` adalah ukuran kumpulan hasil maksimal di seluruh `0. ..n-1` dimensi.