Python tf.sparse.bincount用法及代碼示例

計算整數值在張量中出現的次數。

用法

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

此操作采用 N 維 Tensor , RaggedTensor 或 SparseTensor 並返回 N 維 int64 SparseTensor，其中元素 [i0...i[axis], j] 包含值 j 在輸入張量的切片 [i0...i[axis],:] 中出現的次數。目前，僅支持 N=0 和 N=-1。

例子：

Bin-counting 單個批次中的每個項目

此示例接受一個輸入(可以是張量、RaggedTensor 或 SparseTensor)並返回一個 SparseTensor，其中 (i,j) 的值是值 j 在批次 i 中出現的次數。

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))

Bin-counting 具有定義的輸出形狀

此示例接受一個輸入(可以是張量、RaggedTensor 或 SparseTensor)並返回一個 SparseTensor，其中 (i,j) 的值是值 j 在批次 i 中出現的次數。但是，所有高於 'maxlength' 的 j 值都將被忽略。輸出稀疏張量的dense_shape設置為'minlength'。請注意，雖然輸入與上麵的示例相同，但批次項目 2 中的值 '10001' 被刪除，密集形狀為 [2, 500] 而不是 [2,10002] 或 [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))

二進製bin-counting

此示例接受一個輸入(可以是張量、RaggedTensor 或 SparseTensor)並返回一個 SparseTensor，如果值 j 在批次 i 中至少出現一次，則 (i,j) 為 1，否則為 0。請注意，即使某些值(如第 1 批中的 20 和第 2 批中的 11)出現不止一次，'values' 張量全為 1。

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))

加權bin-counting

這個例子有兩個輸入——一個值張量和一個權重張量。這些張量必須具有相同的形狀，並且在 RaggedTensors 或 SparseTensors 的情況下具有相同的行拆分或索引。當執行加權計數時，op 將輸出一個 SparseTensor，其中 (i, j) 的值是權重張量的批次 i 在值張量具有值 j 的位置中的值的總和。在這種情況下，輸出 dtype 與權重張量的 dtype 相同。

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))