TensorFlow2.0（3）：排序及最大、最小、平均值

時間 2019-11-08

標籤 tensorflow2.0 tensorflow 排序最大最小平均值简体版

原文原文鏈接

注：本系列全部博客將持續更新併發布在github上，您能夠經過github下載本系列全部文章筆記文件。javascript

1 排序¶

1.1 sort：返回逆序排序後的Tensor¶

In [3]:

import tensorflow as tf

In [4]:

a = tf.random.shuffle(tf.range(6))

In [5]:

Out[5]:

<tf.Tensor: id=4, shape=(6,), dtype=int32, numpy=array([3, 1, 5, 2, 0, 4])>

In [6]:

tf.sort(a)  # 默認是順序排列

Out[6]:

<tf.Tensor: id=17, shape=(6,), dtype=int32, numpy=array([0, 1, 2, 3, 4, 5])>

In [7]:

tf.sort(a, direction='ASCENDING')  # 默認順序排列

Out[7]:

<tf.Tensor: id=30, shape=(6,), dtype=int32, numpy=array([0, 1, 2, 3, 4, 5])>

In [8]:

tf.sort(a, direction='DESCENDING')  # 指定逆序排列

Out[8]:

<tf.Tensor: id=40, shape=(6,), dtype=int32, numpy=array([5, 4, 3, 2, 1, 0])>

也對多維Tensor排序，當對多維Tensor進行排序時，能夠經過axis參數指定須要排序的維度，默認axis默認值爲-1，也就是對最後一維進行排序。css

In [9]:

b = tf.random.uniform([3, 3], minval=1, maxval=10,dtype=tf.int32)

In [10]:

Out[10]:

<tf.Tensor: id=46, shape=(3, 3), dtype=int32, numpy=
array([[1, 2, 1],
       [9, 6, 3],
       [6, 4, 1]])>

In [11]:

tf.sort(b)

Out[11]:

<tf.Tensor: id=59, shape=(3, 3), dtype=int32, numpy=
array([[1, 1, 2],
       [3, 6, 9],
       [1, 4, 6]])>

In [13]:

tf.sort(b,axis=0)  # 經過axis參數指定第一維度，也就是列進行排序

Out[13]:

<tf.Tensor: id=91, shape=(3, 3), dtype=int32, numpy=
array([[1, 2, 1],
       [6, 4, 1],
       [9, 6, 3]])>

1.2 argsort：返回排序後的索引¶

In [13]:

Out[13]:

<tf.Tensor: id=4, shape=(6,), dtype=int32, numpy=array([1, 3, 2, 4, 5, 0])>

In [16]:

tf.argsort(a, direction='ASCENDING') # 返回排序以後的索引組成的Tensor, 默認是順序排列

Out[16]:

<tf.Tensor: id=125, shape=(6,), dtype=int32, numpy=array([5, 0, 2, 1, 3, 4])>

In [17]:

tf.argsort(a, direction='DESCENDING') # n逆序排列

Out[17]:

<tf.Tensor: id=136, shape=(6,), dtype=int32, numpy=array([4, 3, 1, 2, 0, 5])>

能夠經過axis參數指定須要排序的維度，默認獲取-1維度排序後索引：html

In [14]:

Out[14]:

<tf.Tensor: id=46, shape=(3, 3), dtype=int32, numpy=
array([[1, 2, 1],
       [9, 6, 3],
       [6, 4, 1]])>

In [17]:

tf.argsort(b)  # 默認對最後一維度排序，也就是以行爲單位排序

Out[17]:

<tf.Tensor: id=134, shape=(3, 3), dtype=int32, numpy=
array([[0, 2, 1],
       [2, 1, 0],
       [2, 1, 0]])>

In [18]:

tf.argsort(b,axis=0)  # 指定第一維度進行排序，也就是以列爲單位進行排序

Out[18]:

<tf.Tensor: id=149, shape=(3, 3), dtype=int32, numpy=
array([[0, 0, 0],
       [2, 2, 2],
       [1, 1, 1]])>

返回的張量中，每個元素表示b中原來元素在該行中的索引。html5

1.3 top_k：返回逆序排序後的前$k$個元素組成的Tensor¶

sort()方法和argsort()方法都是對給定Tensor的全部元素進行排序，在某些狀況下若是咱們只是要獲取排序的前幾個元素，這時候使用sort()或argsort()方法就有些浪費時間了，這時候能夠使用top_k()方法。top_k()方法能夠指定獲取前k個元素。java

注意：top_k()方法在tf.math模塊中。node

In [19]:

Out[19]:

<tf.Tensor: id=4, shape=(6,), dtype=int32, numpy=array([3, 1, 5, 2, 0, 4])>

In [20]:

top_2 = tf.math.top_k(a, 2)  # 獲取排序後前兩位

In [21]:

top_2

Out[21]:

TopKV2(values=<tf.Tensor: id=153, shape=(2,), dtype=int32, numpy=array([5, 4])>, indices=<tf.Tensor: id=154, shape=(2,), dtype=int32, numpy=array([2, 5])>)

從上述輸出能夠看到，top_k()方法返回的是一個TopKV2類型對象，內部包含兩部分數據：第一部分是排序後的真實數據[5, 4]，能夠經過TopKV2對象的values屬性獲取；第二部分是排序後數據所在原Tensor中的索引[2, 5]，能夠經過TopKV2對象的indices獲取。python

In [22]:

top_2.values

Out[22]:

<tf.Tensor: id=153, shape=(2,), dtype=int32, numpy=array([5, 4])>

In [23]:

top_2.indices

Out[23]:

<tf.Tensor: id=154, shape=(2,), dtype=int32, numpy=array([2, 5])>

對於高維Tensor也是同樣的:jquery

In [37]:

Out[37]:

<tf.Tensor: id=152, shape=(3, 3), dtype=int32, numpy=
array([[7, 9, 7],
       [4, 3, 1],
       [1, 1, 6]])>

In [39]:

tf.math.top_k(b, 2)

Out[39]:

TopKV2(values=<tf.Tensor: id=211, shape=(3, 2), dtype=int32, numpy=
array([[9, 7],
       [4, 3],
       [6, 1]])>, indices=<tf.Tensor: id=212, shape=(3, 2), dtype=int32, numpy=
array([[1, 0],
       [0, 1],
       [2, 0]])>)

注意：top_k()方法只能對最後一維度進行排序。linux

2 最小值、最大值、平均值¶

2.1 reduce_min、reduce_max、reduce_mean¶

（1）reduce_min()：求最小值android

In [24]:

a = tf.random.uniform([3, 3], minval=1, maxval=10, dtype=tf.int32)

In [28]:

Out[28]:

<tf.Tensor: id=162, shape=(3, 3), dtype=int32, numpy=
array([[4, 9, 5],
       [8, 6, 1],
       [8, 7, 1]])>

不指定維度時，獲取整個Tensor的最小值：

In [29]:

tf.reduce_min(a)  # 最小值

Out[29]:

<tf.Tensor: id=169, shape=(), dtype=int32, numpy=1>

經過axis參數能夠對指定維度求最小值：

In [30]:

 tf.reduce_min(a, axis=0)  # 求指定維度的最小值

Out[30]:

<tf.Tensor: id=172, shape=(3,), dtype=int32, numpy=array([4, 6, 1])>

（2）reduce_max():求最大值

In [31]:

tf.reduce_max(a)  # 最大值

Out[31]:

<tf.Tensor: id=175, shape=(), dtype=int32, numpy=9>

In [36]:

 tf.reduce_max(a, axis=-1)  # 求最後一維度的最大值

Out[36]:

<tf.Tensor: id=190, shape=(3,), dtype=int32, numpy=array([9, 8, 8])>

（3）reduce_mean():求平均值

不指定維度時，求整個Tensor全部元素的平均值：

In [44]:

 tf.reduce_mean(a)  # 整個Tensor全部元素的平均值

Out[44]:

<tf.Tensor: id=227, shape=(), dtype=int32, numpy=4>

In [38]:

tf.reduce_mean(a, axis=0)  # 求第一維度（行）均值

Out[38]:

<tf.Tensor: id=196, shape=(3,), dtype=int32, numpy=array([6, 7, 2])>

在上面求均值的例子中，由於Tensor的dtype爲int32，因此求出來的均值也是int32，而不是浮點型。若是須要求浮點型的均值，就須要將a的類型先轉換爲float32：

In [39]:

tf.reduce_mean(tf.cast(a, tf.float32), axis=0)

Out[39]:

<tf.Tensor: id=200, shape=(3,), dtype=float32, numpy=array([6.6666665, 7.3333335, 2.3333333], dtype=float32)>

2.2 argmin()、argmax()¶

argmin()、argmax()返回最大值最小值的索引組成的Tensor。

（1）argmin():求最小值索引

In [40]:

a = tf.random.uniform([3,3],minval=1, maxval=10, dtype=tf.int32)

In [41]:

Out[41]:

<tf.Tensor: id=205, shape=(3, 3), dtype=int32, numpy=
array([[5, 6, 1],
       [3, 7, 2],
       [7, 1, 6]])>

In [42]:

b = tf.random.uniform([3,3,3],minval=1, maxval=10, dtype=tf.int32)

In [43]:

Out[43]:

<tf.Tensor: id=210, shape=(3, 3, 3), dtype=int32, numpy=
array([[[5, 4, 7],
        [4, 3, 9],
        [5, 3, 6]],

       [[9, 5, 3],
        [3, 2, 7],
        [5, 6, 1]],

       [[9, 9, 5],
        [5, 4, 4],
        [7, 1, 1]]])>

In [44]:

tf.argmin(a)  # 默認是第0維度

Out[44]:

<tf.Tensor: id=213, shape=(3,), dtype=int64, numpy=array([1, 2, 0], dtype=int64)>

In [45]:

tf.argmin(b)

Out[45]:

<tf.Tensor: id=216, shape=(3, 3), dtype=int64, numpy=
array([[0, 0, 1],
       [1, 1, 2],
       [0, 2, 1]], dtype=int64)>

對於shape爲（3, 3）的Tensor，argmin(a)返回的是shape爲（3,）的Tensor，由於沒有指定比較的維度，默認比較的是第0維度的元素，也就是每一列數據；對於shape爲（3，3,3）的Tensor，argmin(a)返回的是shape爲（3,3）的Tensor，默認比較的是第0維度的元素，也就是每一塊對應位置的元素，例如第一塊的五、第二塊的九、第三塊的9比較，第一塊的5最小，索引爲0，因此返回的Tensor中第一個元素是0。

注意：argmin()方法在沒有指定維度時，默認返回的是第0維度最小值的索引，這與reducemin()方法不一樣，reducemin()方法在沒有指定維度是是返回整個Tensor中全部元素中的最小值。

（2）argmax():求最大值索引

In [46]:

a = tf.random.uniform([3,3,3],minval=1, maxval=10, dtype=tf.int32)

In [47]:

Out[47]:

<tf.Tensor: id=221, shape=(3, 3, 3), dtype=int32, numpy=
array([[[1, 2, 7],
        [9, 3, 3],
        [5, 4, 8]],

       [[8, 5, 1],
        [2, 6, 5],
        [2, 1, 2]],

       [[8, 9, 7],
        [3, 3, 9],
        [7, 7, 2]]])>

In [51]:

tf.argmax(a, axis=0)  # 第一維度，也就是每一塊

Out[51]:

<tf.Tensor: id=233, shape=(3, 3), dtype=int64, numpy=
array([[1, 2, 0],
       [0, 1, 2],
       [2, 2, 0]], dtype=int64)>

In [52]:

tf.argmax(a, axis=2)  # 第三維度，也就是每一行

Out[52]:

<tf.Tensor: id=236, shape=(3, 3), dtype=int64, numpy=
array([[2, 0, 2],
       [0, 1, 0],
       [1, 2, 0]], dtype=int64)>

相關標籤/搜索