1 排序¶
1.1 sort：返回逆序排序后的Tensor¶
In [3]:
import tensorflow as tf
In [4]:
a = tf.random.shuffle(tf.range(6))
In [5]:
a
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，可以通過axis參數指定需要排序的維度，默認axis默認值為-1，也就是對最后一維進行排序。
In [9]:
b = tf.random.uniform([3, 3], minval=1, maxval=10,dtype=tf.int32)
In [10]:
b
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) # 通過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：返回排序后的索引¶
In [13]:
a
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') # 返回排序之后的索引組成的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])>
可以通過axis參數指定需要排序的維度，默認獲取-1維度排序后索引：
In [14]:
b
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) # 默認對最后一維度排序，也就是以行為單位排序
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，也就是以列為單位進行排序
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，每一個元素表示b中原來元素在該行中的索引。
1.3 top_k：返回逆序排序后的前$k$個元素組成的Tensor¶
sort()方法和argsort()方法都是對給定Tensor的所有元素進行排序，在某些情況下如果我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，這時候可以使用top_k()方法。top_k()方法可以指定獲取前k個元素。
注意：top_k()方法在tf.math模塊中。
In [19]:
a
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) # 獲取排序后前兩位
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])>)
從上述輸出可以看到，top_k()方法返回的是一個TopKV2類型對象，內部包含兩部分數據：第一部分是排序后的真實數據[5, 4]，可以通過TopKV2對象的values屬性獲取；第二部分是排序后數據所在原Tensor中的索引[2, 5]，可以通過TopKV2對象的indices獲取。
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也是一樣的:
In [37]:
b
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()方法只能對最后一維度進行排序。
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
In [24]:
a = tf.random.uniform([3, 3], minval=1, maxval=10, dtype=tf.int32)
In [28]:
a
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>
通過axis參數可以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) # 求最后一維度的最大值
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所有元素的平均值：
In [44]:
tf.reduce_mean(a) # 整個Tensor所有元素的平均值
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，因為Tensor的dtype為int32，所以求出來的均值也是int32，而不是浮點型。如果需要求浮點型的均值，就需要將a的類型先轉換為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]:
a
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]:
b
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為（3, 3）的Tensor，argmin(a)返回的是shape為（3,）的Tensor，因為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為（3，3,3）的Tensor，argmin(a)返回的是shape為（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5、第二塊的9、第三塊的9比較，第一塊的5最小，索引為0，所以返回的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()方法不同，reducemin()方法在沒有指定維度是是返回整個Tensor中所有元素中的最小值。
（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]:
a
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)>