tf.compat.v1.sparse_reduce_max

Вычисляет максимальное значение элементов по измерениям SparseTensor. (устаревшие аргументы) (устаревшие аргументы)

tf.compat.v1.sparse_reduce_max(
    sp_input, axis=None, keepdims=None, reduction_axes=None, keep_dims=None
)

Этот оператор принимает SparseTensor и является разреженным аналогом tf.reduce_max(). В частности, этот оператор также возвращает плотный Tensor вместо разреженного.

Примечание: Градиент для этой функции не определён, поэтому её нельзя использовать в обучаемых моделях, требующих градиентного спуска.

Вычисляет максимальное значение sp_input по измерениям, указанным в reduction_axes. Если keepdims не истинно, ранг тензора уменьшается на 1 для каждой записи в reduction_axes. Если keepdims истинно, уменьшенные измерения сохраняются с длиной 1.

Если у reduction_axes нет записей, все измерения сводятся, и возвращается тензор с одним элементом. Кроме того, оси могут быть отрицательными, аналогично правилам индексирования в Python.

Значения, не определённые в sp_input, не участвуют в поиске максимального значения, в отличие от неявного предположения 0 - поэтому он может возвращать отрицательные значения для разреженных reduction_axes. Однако, если в reduction_axes нет значений, оно будет сведено к 0. См. второй пример ниже.

Например:

# 'x' represents [[1, ?, 2]
#                 [?, 3, ?]]
# where ? is implicitly-zero.
tf.sparse.reduce_max(x) ==> 3
tf.sparse.reduce_max(x, 0) ==> [1, 3, 2]
tf.sparse.reduce_max(x, 1) ==> [2, 3]  # Can also use -1 as the axis.
tf.sparse.reduce_max(x, 1, keepdims=True) ==> [[2], [3]]
tf.sparse.reduce_max(x, [0, 1]) ==> 3

# 'y' represents [[-7, ?]
#                 [ 4, 3]
#                 [ ?, ?]
tf.sparse.reduce_max(x, 1) ==> [-7, 4, 0]