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, возвращается вектор длины tf.reduce_max(arr) + 1, если arr не пуст, и вектор нулевой длины 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. Прибавление 1, то есть 6, даст длину вектора.

Каждое значение в выходном массиве указывает количество вхождений соответствующего индекса. Здесь значение по индексу 1 в выходном массиве равно 2. Это означает, что значение 1 встречается в values два раза.

Подсчёт количества элементов 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)>

Если задан weights, соответствующие бины будут увеличиваться на соответствующий вес, а не на 1. Здесь значение по индексу 1 в выходном массиве равно 6. Это сумма weights, соответствующих значению в values (то есть для индекса 1 первые два значения равны 1, поэтому складываются первые два веса — 1 и 5).

Подсчёт количества элементов с весами эквивалентен 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 включённом XLA (обычно при использовании функции с декоратором @tf.function(jit_compile=True)). Для обхода этого ограничения в случае GPU без XLA можно использовать unsorted_segment_sum.

Независимый подсчёт элементов в строках матрицы

В этом примере axis=-1 применяется к двумерному входному массиву и возвращает Tensor с подсчётом количества элементов, при котором ось 0 не преобразуется в одномерный массив, то есть подсчёт выполняется независимо 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 количества элементов с binary_output

В этом примере возвращается двоичный результат вместо количества 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 (неявные нули) в SparseTensor НЕ учитываются. Это позволяет обрабатывать такие случаи, как 0 в тензоре значений, указывающий на наличие индекса/идентификатора 0, а отсутствующий ноль — на отсутствие индекса/идентификатора.

Если требуется учитывать отсутствующие нули, можно использовать обходные решения. В случае axis=0 количество отсутствующих нулей можно вычислить, вычтя количество элементов в тензоре values SparseTensor из количества элементов в плотной форме, а затем прибавить эту разницу к первому элементу результата bincount. Во всех случаях перед вызовом tf.math.bincount SparseTensor можно преобразовать в плотный Tensor с помощью tf.sparse.to_dense.