SegmentMaxV2

Вычисляет максимум вдоль сегментов тензора.

Прочтите [раздел о сегментации](https://tensorflow.org/api_docs/python/tf/math#Segmentation) для объяснения сегментов.

Вычисляет тензор такой, что \\(output_i = \max_j(data_j)\\) , где `max` превышает `j`, такой что `segment_ids[j] == i`.

Если максимум для данного идентификатора сегмента `i` пуст, он выводит наименьшее возможное значение для определенного числового типа: `output[i] = numeric_limits ::самый низкий()`.

Примечание. В настоящее время эта операция поддерживается только при jit_compile=True.

Внимание: на ЦП значения в `segment_ids` всегда проверяются на возможность сортировки, и для индексов, которые не увеличиваются, выдается ошибка. На графическом процессоре это не вызывает ошибки для несортированных индексов. На графическом процессоре неупорядоченные индексы приводят к безопасному, но неопределённому поведению, которое может включать в себя обработку неупорядоченных индексов как меньшего следующего индекса.

Единственное отличие от SegmentMax — это дополнительный ввод `num_segments`. Это помогает оценить форму вывода во время компиляции. `num_segments` должно соответствовать идентификаторам сегментов. например, Max(segment_ids) должно быть равно `num_segments` - 1 для 1-го сегмента_ids. При несогласованном количестве сегментов операция все равно выполняется. Единственная разница в том, что выходные данные принимают размер num_segments независимо от размера сегментов и данных. если num_segments меньше ожидаемого выходного размера, последние элементы игнорируются, если num_segments больше ожидаемого выходного размера, последним элементам присваивается наименьшее возможное значение для определенного числового типа.

Например:

>>> @tf.function(jit_compile=True) ... def test(c): ... return tf.raw_ops.SegmentMaxV2(data=c, сегмент_ids=tf.constant([0, 0, 1]), num_segments=2) >>> c = tf.constant([[1,2,3,4], [4, 3, 2, 1], [5,6,7,8]]) >>> test( c).numpy() array([[4, 3, 3, 4], [5, 6, 7, 8]], dtype=int32)