跨 SparseTensor 的維度計算元素的 tf.sparse.maximum。 (不推薦使用的參數)(不推薦使用的參數)

用法

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

警告：不推薦使用某些參數：(keep_dims)。它們將在未來的版本中被刪除。更新說明：keep_dims 已棄用，請改用 keepdims

警告：不推薦使用某些參數：(reduction_axes)。它們將在未來的版本中被刪除。更新說明：reduction_axes 已棄用，請改用軸

這是按元素tf.sparse.maximum op 的歸約操作。

此 Op 采用 SparseTensor 並且是 tf.reduce_max() 的稀疏對應項。特別是，這個 Op 還返回一個密集的 Tensor 而不是稀疏的。

注意：該函數沒有定義梯度，因此不能用於需要梯度下降的訓練模型。

沿 reduction_axes 中給定的尺寸減少 sp_input 。除非 keepdims 為真，否則對於 reduction_axes 中的每個條目，張量的秩都會減少 1。如果 keepdims 為真，則保留縮減後的維度，長度為 1。

如果reduction_axes 沒有條目，則減少所有維度，並返回具有單個元素的張量。此外，軸可以是負數，類似於 Python 中的索引規則。

sp_input 中未定義的值不參與減少最大值，而不是隱式假設為 0 - 因此它可以為稀疏的 reduction_axes 返回負值。但是，如果 reduction_axes 中沒有值，它將減少到 0。請參見下麵的第二個示例。

例如：

'x' 代表 [[1, ?, 2]

[?, 3, ?]]

在哪裏 ？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)>