Pourquoi Tensorflow ne remplace pas __eq__?

Question

tensorflow remplace plusieurs opérateurs pour la classe Tensor, including __lt__, __ge__, etc.

Cependant, la mise en œuvre de __eq__seems to be conspicuously absent:

ops.Tensor._override_operator("__lt__", gen_math_ops.less) 
ops.Tensor._override_operator("__le__", gen_math_ops.less_equal) 
ops.Tensor._override_operator("__gt__", gen_math_ops.greater) 
ops.Tensor._override_operator("__ge__", gen_math_ops.greater_equal) 

Pourquoi == pour les tenseurs de tensorflow se comportent pas de la même manière que pour les tableaux numpy?

Exemple de code:

a = tf.constant([1,2]) 
b = tf.constant([3,4]) 
a == b 
>>> False 
a < b 
>>> <tf.Tensor 'Less:0' shape=(2,) dtype=bool> 

Avec numpy, d'autre part:

a = np.asarray([1,2]) 
b = np.asarray([3, 4]) 
a == b 
>>> array([False, False], dtype=bool) 

Answer 1

tenseurs ne pas mettre en œuvre__eq__, mais the implementation only tests for identity. J'ai trouvé this GitHub issue, ce qui explique pourquoi tenseurs test identité et ne pas diffuser:

Cela peut être une complication de fait que tenseurs peuvent être utilisés comme clés dans les dictionnaires, que je crois utiliser == pour trouver l'objet correspondant avec le même hachage

Le commentaire est correct; si __eq__ était surchargé pour diffuser, vous ne pouviez pas utiliser de tenseurs comme clés dans un dictionnaire. Les objets qui définissent une méthode __hash__ (requis si vous souhaitez utiliser des objets tels que des clés dans un dictionnaire), doivent produire la même valeur de hachage pour deux objets égaux; voir le __hash__ method:

La seule propriété requise est que les objets qui comparent égale ont la même valeur de hachage

mais la diffusion produirait un objet tenseur « true » pour les objets avec des valeurs de hachage différentes.

(la spéculation selon laquelle __eq__ interromprait le test booléen est erronée, le test booléen utilise __bool__, que les tenseurs implémentent). Si vous devez effectuer des tests d'égalité élémentaire sur les tenseurs, vous pouvez utiliser les fonctions tf.equal() et tf.not_equal().