跨 SparseTensor 的维度计算元素的 tf.sparse.maximum。 (不推荐使用的参数)(不推荐使用的参数)

用法

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

警告：不推荐使用某些参数：(keep_dims)。它们将在未来的版本中被删除。更新说明：keep_dims 已弃用，请改用 keepdims

警告：不推荐使用某些参数：(reduction_axes)。它们将在未来的版本中被删除。更新说明：reduction_axes 已弃用，请改用轴

这是按元素tf.sparse.maximum op 的归约操作。

此 Op 采用 SparseTensor 并且是 tf.reduce_max() 的稀疏对应项。特别是，这个 Op 还返回一个密集的 Tensor 而不是稀疏的。

注意：该函数没有定义梯度，因此不能用于需要梯度下降的训练模型。

沿 reduction_axes 中给定的尺寸减少 sp_input 。除非 keepdims 为真，否则对于 reduction_axes 中的每个条目，张量的秩都会减少 1。如果 keepdims 为真，则保留缩减后的维度，长度为 1。

如果reduction_axes 没有条目，则减少所有维度，并返回具有单个元素的张量。此外，轴可以是负数，类似于 Python 中的索引规则。

sp_input 中未定义的值不参与减少最大值，而不是隐式假设为 0 - 因此它可以为稀疏的 reduction_axes 返回负值。但是，如果 reduction_axes 中没有值，它将减少到 0。请参见下面的第二个示例。

例如：

'x' 代表 [[1, ?, 2]

[?, 3, ?]]

在哪里 ？是implicitly-zero。

x = tf.sparse.SparseTensor([[0, 0], [0, 2], [1, 1]], [1, 2, 3], [2, 3])
tf.sparse.reduce_max(x)
<tf.Tensor:shape=(), dtype=int32, numpy=3>
tf.sparse.reduce_max(x, 0)
<tf.Tensor:shape=(3,), dtype=int32, numpy=array([1, 3, 2], dtype=int32)>
tf.sparse.reduce_max(x, 1)
<tf.Tensor:shape=(2,), dtype=int32, numpy=array([2, 3], dtype=int32)>
tf.sparse.reduce_max(x, 1, keepdims=True)
<tf.Tensor:shape=(2, 1), dtype=int32, numpy=
array([[2],
       [3]], dtype=int32)>
tf.sparse.reduce_max(x, [0, 1])
<tf.Tensor:shape=(), dtype=int32, numpy=3>

'y' 代表 [[-7, ?]

[4、3]

[ ?, ?]

y = tf.sparse.SparseTensor([[0, 0,], [1, 0], [1, 1]], [-7, 4, 3],
[3, 2])
tf.sparse.reduce_max(y, 1)
<tf.Tensor:shape=(3,), dtype=int32, numpy=array([-7,  4,  0], dtype=int32)>