TensorFlow2.0（三）：排序及最大、最小、平均值

 

 

 

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]:

In [6]:

tf.sort(a)  # 默认是顺序排列

Out[6]:

In [7]:

tf.sort(a, direction='ASCENDING')  # 默认顺序排列

Out[7]:

In [8]:

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

Out[8]:

 

也对多维Tensor排序，当对多维Tensor进行排序时，可以通过axis参数指定需要排序的维度，默认axis默认值为-1，也就是对最后一维进行排序。

In [9]:

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

In [10]:

b

Out[10]:

In [11]:

tf.sort(b)

Out[11]:

In [13]:

tf.sort(b,axis=0)  # 通过axis参数指定第一维度，也就是列进行排序

Out[13]:

 

1.2 argsort：返回排序后的索引¶

In [13]:

a

Out[13]:

In [16]:

tf.argsort(a, direction='ASCENDING') # 返回排序之后的索引组成的Tensor, 默认是顺序排列

Out[16]:

In [17]:

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

Out[17]:

 

可以通过axis参数指定需要排序的维度，默认获取-1维度排序后索引：

In [14]:

b

Out[14]:

In [17]:

tf.argsort(b)  # 默认对最后一维度排序，也就是以行为单位排序

Out[17]:

In [18]:

tf.argsort(b,axis=0)  # 指定第一维度进行排序，也就是以列为单位进行排序

Out[18]:

 

返回的张量中，每一个元素表示b中原来元素在该行中的索引。

 

1.3 top_k：返回逆序排序后的前$k$个元素组成的Tensor¶

 

sort()方法和argsort()方法都是对给定Tensor的所有元素进行排序，在某些情况下如果我们只是要获取排序的前几个元素，这时候使用sort()或argsort()方法就有些浪费时间了，这时候可以使用top_k()方法。top_k()方法可以指定获取前k个元素。

 

注意：top_k()方法在tf.math模块中。

In [19]:

a

Out[19]:

In [20]:

top_2 = tf.math.top_k(a, 2)  # 获取排序后前两位

In [21]:

top_2

Out[21]:

TopKV2(values=, indices=)

 

从上述输出可以看到，top_k()方法返回的是一个TopKV2类型对象，内部包含两部分数据：第一部分是排序后的真实数据[5, 4]，可以通过TopKV2对象的values属性获取；第二部分是排序后数据所在原Tensor中的索引[2, 5]，可以通过TopKV2对象的indices获取。

In [22]:

top_2.values

Out[22]:

In [23]:

top_2.indices

Out[23]:

 

对于高维Tensor也是一样的:

In [37]:

b

Out[37]:

In [39]:

tf.math.top_k(b, 2)

Out[39]:

TopKV2(values=, indices=)

 

注意：top_k()方法只能对最后一维度进行排序。

 

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]:

 

不指定维度时，获取整个Tensor的最小值：

In [29]:

tf.reduce_min(a)  # 最小值

Out[29]:

 

通过axis参数可以对指定维度求最小值：

In [30]:

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

Out[30]:

 

（2）reduce_max():求最大值

In [31]:

tf.reduce_max(a)  # 最大值

Out[31]:

In [36]:

 tf.reduce_max(a, axis=-1)  # 求最后一维度的最大值

Out[36]:

 

（3）reduce_mean():求平均值

 

不指定维度时，求整个Tensor所有元素的平均值：

In [44]:

 tf.reduce_mean(a)  # 整个Tensor所有元素的平均值

Out[44]:

In [38]:

tf.reduce_mean(a, axis=0)  # 求第一维度（行）均值

Out[38]:

 

在上面求均值的例子中，因为Tensor的dtype为int32，所以求出来的均值也是int32，而不是浮点型。如果需要求浮点型的均值，就需要将a的类型先转换为float32：

In [39]:

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

Out[39]:

 

2.2 argmin()、argmax()¶

 

argmin()、argmax()返回最大值最小值的索引组成的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]:

In [42]:

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

In [43]:

b

Out[43]:

In [44]:

tf.argmin(a)  # 默认是第0维度

Out[44]:

In [45]:

tf.argmin(b)

Out[45]:

 

对于shape为（3, 3）的Tensor，argmin(a)返回的是shape为（3,）的Tensor，因为没有指定比较的维度，默认比较的是第0维度的元素，也就是每一列数据；对于shape为（3，3,3）的Tensor，argmin(a)返回的是shape为（3,3）的Tensor，默认比较的是第0维度的元素，也就是每一块对应位置的元素，例如第一块的5、第二块的9、第三块的9比较，第一块的5最小，索引为0，所以返回的Tensor中第一个元素是0。

 

注意：argmin()方法在没有指定维度时，默认返回的是第0维度最小值的索引，这与reducemin()方法不同，reducemin()方法在没有指定维度是是返回整个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]:

In [51]:

tf.argmax(a, axis=0)  # 第一维度，也就是每一块

Out[51]:

In [52]:

tf.argmax(a, axis=2)  # 第三维度，也就是每一行

Out[52]: