tf.sparse.bincount

Подсчёт количества вхождений целочисленного значения в тензоре.

tf.sparse.bincount(
    values, weights=None, axis=0, minlength=None, maxlength=None,
    binary_output=False, name=None
)

Этот оператор принимает N-мерный Tensor, RaggedTensor, или SparseTensor, и возвращает N-мерный int64 SparseTensor, где элемент [i0...i[axis], j] содержит количество раз, которое значение j встречается в срезе [i0...i[axis], :] входного тензора. В настоящее время поддерживаются только N=0 и N=-1.

Примеры:

Подсчёт каждого элемента в отдельных партиях

Этот пример принимает входной сигнал (который может быть тензором, RaggedTensor или SparseTensor) и возвращает SparseTensor, где значение (i, j) — это количество раз, когда значение j встречается в партии i.

data = np.array([[10, 20, 30, 20], [11, 101, 11, 10001]], dtype=np.int64)
output = tf.sparse.bincount(data, axis=-1)
print(output)
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))

Подсчёт с определённой формой выходных данных

Этот пример принимает входной сигнал (который может быть тензором, RaggedTensor или SparseTensor) и возвращает SparseTensor, где значение (i, j) — это количество раз, когда значение j встречается в партии i. Однако все значения j, превышающие 'maxlength', игнорируются. Dense_shape выходного SparseTensor устанавливается в 'minlength'. Обратите внимание, что, хотя входной сигнал идентичен примеру выше, значение '10001' в элементе партии 2 опускается, а форма dense_shape — [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)
output = tf.sparse.bincount(
   data, axis=-1, minlength=minlength, maxlength=maxlength)
print(output)
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))

Двоичный подсчёт

Этот пример принимает входной сигнал (который может быть тензором, RaggedTensor или SparseTensor) и возвращает SparseTensor, где (i, j) равно 1, если значение j встречается в партии i хотя бы один раз, и 0 в противном случае. Обратите внимание, что, даже если некоторые значения (например, 20 в партии 1 и 11 в партии 2) встречаются более одного раза, тензор 'values' содержит только единицы.

data = np.array([[10, 20, 30, 20], [11, 101, 11, 10001]], dtype=np.int64)
output = tf.sparse.bincount(data, binary_output=True, axis=-1)
print(output)
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))

Подсчёт с весами

Этот пример принимает два входных сигнала — тензор значений и тензор весов. Эти тензоры должны иметь одинаковую форму и одинаковые строки или индексы в случае RaggedTensors или SparseTensors. При подсчёте с весами оператор выведет SparseTensor, где значение (i, j) — это сумма значений в тензоре весов для партии i в местах, где тензор значений имеет значение j. В этом случае тип выходных данных 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]]
output = tf.sparse.bincount(data, weights=weights, axis=-1)
print(output)
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))