tf.sparse.bincount
Подсчитывает, сколько раз целочисленное значение встречается в тензоре.
tf.sparse.bincount(
values,
weights=None,
axis=0,
minlength=None,
maxlength=None,
binary_output=False,
name=None
)
Эта операция принимает N-мерный Tensor, RaggedTensor или SparseTensor и возвращает разреженный тензор N-мерного типа int64, в котором элемент [i0...i[axis], j] содержит число вхождений значения j в срезе [i0...i[axis], :] входного тензора. В настоящее время поддерживаются только N=0 и N=-1.
| Аргументы | |
|---|---|
values | Тензор, RaggedTensor или SparseTensor, значения которого нужно подсчитать. Если axis=-1, ранг этих тензоров должен быть равен 2. |
weights | Если значение не None, оно должно иметь ту же форму, что и arr. Если arr — это SparseTensor, то weights должен быть SparseTensor с той же плотной формой и теми же индексами, что и arr. Для каждого значения в value соответствующий бин будет увеличен на соответствующий вес вместо 1. |
axis | Ось, по которой выполняется нарезка. Оси, начиная с axis и ниже, будут сведены в плоский массив перед подсчётом по бинам. В настоящее время поддерживаются только 0 и -1. Если значение None, все оси будут сведены в плоский массив (эквивалентно передаче 0). |
minlength | Если указано, гарантирует, что длина выходных данных будет не меньше minlength; при необходимости в конец добавляются нули. |
maxlength | Если указано, пропускает значения в values, которые равны maxlength или больше, гарантируя, что длина выходных данных не превысит maxlength. |
binary_output | Если True, эта операция будет выводить 1 вместо числа вхождений токена (эквивалентно one_hot + reduce_any вместо one_hot + reduce_add). По умолчанию False. |
name | Имя этой операции. |
| Возвращает | |
|---|---|
SparseTensor с output.shape = values.shape[:axis] + [N], где N — это
|
| Вызывает исключение | |
|---|---|
InvalidArgumentError, если в качестве входных данных переданы отрицательные значения. |
Примеры:
Подсчёт элементов по бинам в отдельных пакетах
В этом примере на вход подаётся объект (это может быть Tensor, RaggedTensor или SparseTensor), а возвращается SparseTensor, в котором значение (i,j) — это число вхождений значения j в пакете i.
data = np.array([[10, 20, 30, 20], [11, 101, 11, 10001]], dtype=np.int64) tf.sparse.bincount(data, axis=-1) SparseTensor(indices=tf.Tensor( [[ 0 10] [ 0 20] [ 0 30] [ 1 11] [ 1 101] [ 1 10001]], shape=(6, 2), dtype=int64), values=tf.Tensor([1 2 1 2 1 1], shape=(6,), dtype=int64), dense_shape=tf.Tensor([ 2 10002], shape=(2,), dtype=int64))
В этом примере показан разреженный тензор на входе. Отсутствующие нули не учитываются.
data = tf.sparse.SparseTensor(
indices=[[0, 3], [0, 7], [0, 8], [0, 11],
[1, 9], [1, 11], [1, 18], [1, 27]],
values=[10, 20, 30, 20, 11, 101, 11, 10001],
dense_shape=[2, 30])
tf.sparse.bincount(data, axis=-1)
SparseTensor(indices=tf.Tensor(
[[ 0 10]
[ 0 20]
[ 0 30]
[ 1 11]
[ 1 101]
[ 1 10001]], shape=(6, 2), dtype=int64),
values=tf.Tensor([1 2 1 2 1 1], shape=(6,), dtype=int32),
dense_shape=tf.Tensor([ 2 10002], shape=(2,), dtype=int64))Подсчёт по бинам с заданной формой выходных данных
В этом примере на вход подаётся объект (это может быть Tensor, RaggedTensor или SparseTensor), а возвращается SparseTensor, в котором значение (i,j) — это число вхождений значения j в пакете i. Однако все значения j, превышающие 'maxlength', игнорируются. Для dense_shape выходного разреженного тензора устанавливается значение 'minlength'. Обратите внимание: несмотря на то, что входные данные совпадают с данными из предыдущего примера, значение '10001' в элементе пакета 2 отбрасывается, а плотная форма равна [2, 500], а не [2,10002] или [2, 102].
minlength = maxlength = 500 data = np.array([[10, 20, 30, 20], [11, 101, 11, 10001]], dtype=np.int64) tf.sparse.bincount( data, axis=-1, minlength=minlength, maxlength=maxlength) SparseTensor(indices=tf.Tensor( [[ 0 10] [ 0 20] [ 0 30] [ 1 11] [ 1 101]], shape=(5, 2), dtype=int64), values=tf.Tensor([1 2 1 2 1], shape=(5,), dtype=int64), dense_shape=tf.Tensor([ 2 500], shape=(2,), dtype=int64))
Бинарный подсчёт по бинам
В этом примере на вход подаётся объект (это может быть Tensor, RaggedTensor или SparseTensor), а возвращается SparseTensor, в котором значение (i,j) равно 1, если значение j встречается в пакете i хотя бы один раз, и 0 в противном случае. Обратите внимание: хотя некоторые значения (например, 20 в пакете 1 и 11 в пакете 2) встречаются более одного раза, тензор 'values' состоит только из единиц.
data = np.array([[10, 20, 30, 20], [11, 101, 11, 10001]], dtype=np.int64) tf.sparse.bincount(data, binary_output=True, axis=-1) SparseTensor(indices=tf.Tensor( [[ 0 10] [ 0 20] [ 0 30] [ 1 11] [ 1 101] [ 1 10001]], shape=(6, 2), dtype=int64), values=tf.Tensor([1 1 1 1 1 1], shape=(6,), dtype=int64), dense_shape=tf.Tensor([ 2 10002], shape=(2,), dtype=int64))
Взвешенный подсчёт по бинам
В этом примере на вход подаются два объекта — тензор значений и тензор весов. Эти тензоры должны иметь одинаковую форму, а в случае RaggedTensor или SparseTensor — одинаковые разбиения строк или индексы. При взвешенном подсчёте операция выводит SparseTensor, в котором значение (i, j) — это сумма значений тензора весов в пакете i для позиций, где тензор значений содержит значение j. В этом случае тип данных выходных значений совпадает с типом данных тензора весов.
data = np.array([[10, 20, 30, 20], [11, 101, 11, 10001]], dtype=np.int64) weights = [[2, 0.25, 15, 0.5], [2, 17, 3, 0.9]] tf.sparse.bincount(data, weights=weights, axis=-1) SparseTensor(indices=tf.Tensor( [[ 0 10] [ 0 20] [ 0 30] [ 1 11] [ 1 101] [ 1 10001]], shape=(6, 2), dtype=int64), values=tf.Tensor([2. 0.75 15. 5. 17. 0.9], shape=(6,), dtype=float32), dense_shape=tf.Tensor([ 2 10002], shape=(2,), dtype=int64))
© 2022 The TensorFlow Authors. All rights reserved.
Licensed under the Creative Commons Attribution License 4.0.
Code samples licensed under the Apache 2.0 License.
https://www.tensorflow.org/api_docs/python/tf/sparse/bincount
