1 排序
1.1 sort：返回排序后的Tensor
import tensorflow as tf
a = tf.random.shuffle(tf.range(6))
a
<tf.Tensor: id=4, shape=(6,), dtype=int32, numpy=array([3, 2, 4, 5, 0, 1], dtype=int32)>
tf.sort(a) # 默認是順序排列
<tf.Tensor: id=15, shape=(6,), dtype=int32, numpy=array([0, 1, 2, 3, 4, 5], dtype=int32)>
tf.sort(a,direction='ASCENDING') # 默認順序排列
<tf.Tensor: id=26, shape=(6,), dtype=int32, numpy=array([0, 1, 2, 3, 4, 5], dtype=int32)>
tf.sort(a,direction='DESCENDING') # 指定逆序排列
<tf.Tensor: id=34, shape=(6,), dtype=int32, numpy=array([5, 4, 3, 2, 1, 0], dtype=int32)>
也可以對多維Tensor進行排序，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，axis的默認值為-1，也就是對最后一維進行排序。
b = tf.random.uniform([3,3],minval=1,maxval=10,dtype=tf.int32)
b
<tf.Tensor: id=39, shape=(3, 3), dtype=int32, numpy=
array([[1, 9, 8],
[3, 4, 9],
[5, 1, 5]], dtype=int32)>
tf.sort(b)
<tf.Tensor: id=50, shape=(3, 3), dtype=int32, numpy=
array([[1, 8, 9],
[3, 4, 9],
[1, 5, 5]], dtype=int32)>
tf.sort(b,axis=0) # 通過axis參數指定第0維度，也就是對列進行排序
<tf.Tensor: id=64, shape=(3, 3), dtype=int32, numpy=
array([[1, 1, 5],
[3, 4, 8],
[5, 9, 9]], dtype=int32)>
1.2 argsort：返回排序后的索引
a
<tf.Tensor: id=4, shape=(6,), dtype=int32, numpy=array([3, 2, 4, 5, 0, 1], dtype=int32)>
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
<tf.Tensor: id=74, shape=(6,), dtype=int32, numpy=array([4, 5, 1, 0, 2, 3], dtype=int32)>
tf.argsort(a,direction='DESCENDING') # 逆序排列
<tf.Tensor: id=83, shape=(6,), dtype=int32, numpy=array([3, 2, 0, 1, 5, 4], dtype=int32)>
可以通過axis參數指定需要排序的維度，默認獲取-1維度排序后的索引。
b
<tf.Tensor: id=39, shape=(3, 3), dtype=int32, numpy=
array([[1, 9, 8],
[3, 4, 9],
[5, 1, 5]], dtype=int32)>
tf.argsort(b) # 默認對最后一維度排序，也就是以行為單位排序
<tf.Tensor: id=93, shape=(3, 3), dtype=int32, numpy=
array([[0, 2, 1],
[0, 1, 2],
[1, 0, 2]], dtype=int32)>
tf.argsort(b,axis=0) # 指定第0維度進行排序，也就是以列為單位進行排序
<tf.Tensor: id=106, shape=(3, 3), dtype=int32, numpy=
array([[0, 2, 2],
[1, 1, 0],
[2, 0, 1]], dtype=int32)>
返回的張量中，每一個元素表示b中原來元素在該列中的索引。
1.3 top_k：返回逆序排列后的前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。
a
<tf.Tensor: id=4, shape=(6,), dtype=int32, numpy=array([3, 2, 4, 5, 0, 1], dtype=int32)>
top_2 = tf.math.top_k(a,2) # 獲取排序后前兩位
top_2
TopKV2(values=<tf.Tensor: id=108, shape=(2,), dtype=int32, numpy=array([5, 4], dtype=int32)>, indices=<tf.Tensor: id=109, shape=(2,), dtype=int32, numpy=array([3, 2], dtype=int32)>)
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[3,2]，可以通過TokKV2對象的indices獲取。
top_2.values
<tf.Tensor: id=108, shape=(2,), dtype=int32, numpy=array([5, 4], dtype=int32)>
top_2.indices
<tf.Tensor: id=109, shape=(2,), dtype=int32, numpy=array([3, 2], dtype=int32)>
對於高維Tensor也是一樣的。
b
<tf.Tensor: id=39, shape=(3, 3), dtype=int32, numpy=
array([[1, 9, 8],
[3, 4, 9],
[5, 1, 5]], dtype=int32)>
tf.math.top_k(b,2)
TopKV2(values=<tf.Tensor: id=111, shape=(3, 2), dtype=int32, numpy=
array([[9, 8],
[9, 4],
[5, 5]], dtype=int32)>, indices=<tf.Tensor: id=112, shape=(3, 2), dtype=int32, numpy=
array([[1, 2],
[2, 1],
[0, 2]], dtype=int32)>)
注意：top_k()方法只能對最后一維度進行排序。
2 最大值、最小值、平均值、和
2.1 reduce_min、reduce_max、reduce_mean、reduce_sum
（1）reduce_min()：求最小值
a = tf.random.uniform([3,3],minval=1,maxval=10,dtype=tf.int32)
a
<tf.Tensor: id=116, shape=(3, 3), dtype=int32, numpy=
array([[2, 3, 9],
[6, 5, 9],
[7, 3, 8]], dtype=int32)>
不指定維度時，獲取整個Tensor的最小值。
tf.reduce_min(a)
<tf.Tensor: id=118, shape=(), dtype=int32, numpy=2>
通過axis參數可以對指定維度求最小值。
tf.reduce_min(a,axis=0)
<tf.Tensor: id=120, shape=(3,), dtype=int32, numpy=array([2, 3, 8], dtype=int32)>
（2）reduce_max()：求最大值
tf.reduce_max(a)
<tf.Tensor: id=122, shape=(), dtype=int32, numpy=9>
tf.reduce_max(a,axis=-1)
<tf.Tensor: id=124, shape=(3,), dtype=int32, numpy=array([9, 9, 8], dtype=int32)>
（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。
tf.reduce_mean(a) # 求整個Tensor所有元素的平均值
<tf.Tensor: id=126, shape=(), dtype=int32, numpy=5>
tf.reduce_mean(a,axis=0)
<tf.Tensor: id=128, shape=(3,), dtype=int32, numpy=array([5, 3, 8], dtype=int32)>
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。
tf.reduce_mean(tf.cast(a,tf.float32),axis=0)
<tf.Tensor: id=131, shape=(3,), dtype=float32, numpy=array([5. , 3.6666667, 8.666667 ], dtype=float32)>
2.2 argmin()、agrmax()
argmin()、agrmax()返回最大值最小值的索引組成的Tensor。
（1）argmin()：求最小值索引
a = tf.random.uniform([3,3],minval=1,maxval=10,dtype=tf.int32)
a
<tf.Tensor: id=135, shape=(3, 3), dtype=int32, numpy=
array([[1, 5, 4],
[1, 2, 7],
[2, 6, 9]], dtype=int32)>
b = tf.random.uniform([3,3,3],minval=1,maxval=10,dtype=tf.int32)
b
<tf.Tensor: id=139, shape=(3, 3, 3), dtype=int32, numpy=
array([[[5, 2, 1],
[5, 6, 3],
[1, 7, 5]],
[[1, 9, 2],
[8, 5, 2],
[1, 6, 9]],
[[6, 6, 7],
[2, 8, 7],
[2, 2, 9]]], dtype=int32)>
tf.argmin(a) # 默認是對列操作
<tf.Tensor: id=141, shape=(3,), dtype=int64, numpy=array([0, 1, 0])>
tf.argmin(b)
<tf.Tensor: id=143, shape=(3, 3), dtype=int64, numpy=
array([[1, 0, 0],
[2, 1, 1],
[0, 2, 0]])>
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1，第三塊的6比較， 第二塊的1最小，索引為1，所以返回的Tensor中第一個元素是1。
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reduce_min()方法不同，reduce_min()方法在沒有指定維度時，返回的是整個Tensor中所有元素的最小值。
（2）argmax()：求最大值索引
a = tf.random.uniform([3,3,3],minval=1,maxval=10,dtype=tf.int32)
a
<tf.Tensor: id=147, shape=(3, 3, 3), dtype=int32, numpy=
array([[[7, 4, 5],
[1, 1, 4],
[9, 1, 4]],
[[9, 4, 2],
[3, 7, 9],
[6, 5, 1]],
[[8, 5, 2],
[3, 4, 2],
[5, 1, 4]]], dtype=int32)>
tf.argmax(a,axis=0) # 第一維度，也就是每一塊
<tf.Tensor: id=149, shape=(3, 3), dtype=int64, numpy=
array([[1, 2, 0],
[1, 1, 1],
[0, 1, 0]])>
tf.argmax(a,axis=2) # 第三維度，也就是每一行
<tf.Tensor: id=151, shape=(3, 3), dtype=int64, numpy=
array([[0, 2, 0],
[0, 2, 0],
[0, 1, 0]])>