tf.math.bincount

Подсчитывает количество вхождений каждого значения в целочисленном массиве.

tf.math.bincount(
    arr,
    weights=None,
    minlength=None,
    maxlength=None,
    dtype=tf.dtypes.int32,
    name=None,
    axis=None,
    binary_output=False
)

Если minlength и maxlength не заданы, возвращает вектор длиной tf.reduce_max(arr) + 1, если arr не пуст, и длиной 0 в противном случае.

values = tf.constant([1,1,2,3,2,4,4,5])
tf.math.bincount(values)
<tf.Tensor: ... numpy=array([0, 2, 2, 1, 2, 1], dtype=int32)>

Длина вектора = Максимальный элемент в векторе values равен 5. Добавление 1, что равно 6, будет длиной вектора.

Каждое значение бина в выходе указывает на количество вхождений конкретного индекса. Здесь индекс 1 в выходе имеет значение 2. Это указывает на то, что значение 1 встречается дважды в values.

Подсчёт бинов с весами

values = tf.constant([1,1,2,3,2,4,4,5])
weights = tf.constant([1,5,0,1,0,5,4,5])
tf.math.bincount(values, weights=weights)
<tf.Tensor: ... numpy=array([0, 6, 0, 1, 9, 5], dtype=int32)>

Когда weights указан, бины будут увеличиваться на соответствующий вес вместо 1. Здесь индекс 1 в выходе имеет значение 6. Это сумма weights, соответствующих значению в values (т.е. для индекса 1 первые два значения равны 1, поэтому суммируются первые два веса, 1 и 5).

Существует эквивалентность между подсчётом бинов с весами и unsorted_segement_sum, где data — это веса, а segment_ids — значения.

values = tf.constant([1,1,2,3,2,4,4,5])
weights = tf.constant([1,5,0,1,0,5,4,5])
tf.math.unsorted_segment_sum(weights, values, num_segments=6).numpy()
array([0, 6, 0, 1, 9, 5], dtype=int32)

На GPU, bincount с весами поддерживается только при включенном XLA (обычно когда функция декорирована @tf.function(jit_compile=True)). unsorted_segment_sum можно использовать как обходной путь для случая без XLA на GPU.

Подсчёт бинов строк матрицы независимо

Этот пример использует axis=-1 с двумерным входом и возвращает Tensor с подсчётом бинов, где ось 0 не сглаживается, то есть независимый подсчёт бинов для каждой строки матрицы.

data = np.array([[1, 2, 3, 0], [0, 0, 1, 2]], dtype=np.int32)
tf.math.bincount(data, axis=-1)
<tf.Tensor: shape=(2, 4), dtype=int32, numpy=
  array([[1, 1, 1, 1],
         [2, 1, 1, 0]], dtype=int32)>

Подсчёт бинов с binary_output

Этот пример возвращает двоичный вывод вместо подсчёта вхождений.

data = np.array([[1, 2, 3, 0], [0, 0, 1, 2]], dtype=np.int32)
tf.math.bincount(data, axis=-1, binary_output=True)
<tf.Tensor: shape=(2, 4), dtype=int32, numpy=
  array([[1, 1, 1, 1],
         [1, 1, 1, 0]], dtype=int32)>

Отсутствующие нули в SparseTensor

Обратите внимание, что отсутствующие нули (явные нули) в SparseTensor НЕ учитываются. Это поддерживает такие случаи, как 0 в тензоре значений указывает, что индекс/id 0 присутствует, а отсутствующий ноль указывает на то, что индекс/id отсутствует.

Если необходимо подсчитать отсутствующие нули, существуют обходные пути. Для случая axis=0 количество отсутствующих нулей можно вычислить, вычтя количество элементов в тензоре values SparseTensor из количества элементов в плотной форме, и эту разницу можно добавить к первому элементу вывода bincount. Во всех случаях SparseTensor можно преобразовать в плотный тензор с помощью tf.sparse.to_dense перед вызовом tf.math.bincount.