SegmentMinV2

एक टेंसर के खंडों के साथ न्यूनतम की गणना करता है।

खंडों की व्याख्या के लिए [विभाजन पर अनुभाग](https://tensorflow.org/api_docs/python/tf/math#Segmentation) पढ़ें।

ऐसे टेन्सर की गणना करता है कि \\(output_i = \min_j(data_j)\\) जहां `मिनट` `j` से अधिक है जैसे कि `segment_ids[j] == i`।

यदि किसी दिए गए सेगमेंट आईडी `i` के लिए न्यूनतम खाली है, तो यह विशिष्ट संख्यात्मक प्रकार के लिए सबसे बड़ा संभव मान आउटपुट करता है, `आउटपुट [i] = संख्यात्मक_लिमिट्स ::अधिकतम()`।

नोट: यह ऑप वर्तमान में केवल jit_compile=True के साथ समर्थित है।

सावधानी: CPU पर, `segment_ids` में मानों को क्रमबद्ध करने के लिए हमेशा सत्यापित किया जाता है, और जो सूचकांक नहीं बढ़ रहे हैं उनके लिए एक त्रुटि उत्पन्न होती है। जीपीयू पर, यह अवर्गीकृत सूचकांकों के लिए कोई त्रुटि नहीं देता है। जीपीयू पर, आउट-ऑफ-ऑर्डर इंडेक्स सुरक्षित लेकिन अनिर्दिष्ट व्यवहार का परिणाम देते हैं, जिसमें आउट-ऑफ-ऑर्डर इंडेक्स को एक छोटे अनुवर्ती इंडेक्स के समान माना जा सकता है।

SegmentMin के साथ एकमात्र अंतर अतिरिक्त इनपुट `num_segments` है। यह संकलन समय में आउटपुट आकार का मूल्यांकन करने में मदद करता है। `num_segments` सेगमेंट_आईड्स के अनुरूप होना चाहिए। उदाहरण के लिए अधिकतम (सेगमेंट_आईड्स) `num_segments` - 1 के बराबर होना चाहिए, 1-डी सेगमेंट_आईड्स के लिए असंगत num_segments के साथ, ऑप अभी भी चलता है। केवल अंतर यह है कि, सेगमेंट_आईड्स और डेटा के आकार के बावजूद आउटपुट num_segments का आकार लेता है। अपेक्षित आउटपुट आकार से कम num_segments के लिए, अपेक्षित आउटपुट आकार से अधिक num_segments के लिए अंतिम तत्वों को अनदेखा कर दिया जाता है, अंतिम तत्वों को विशिष्ट संख्यात्मक प्रकार के लिए सबसे बड़ा संभव मान असाइन किया जाता है।

उदाहरण के लिए:

>>> @tf.function(jit_compile=True) ... def test(c): ... वापसी tf.raw_ops.SegmentMinV2(data=c, segment_ids=tf.constant([0, 0, 1]), num_segments=2) >>> c = tf.constant([[1,2,3,4], [4, 3, 2, 1], [5,6,7,8]]) >>> टेस्ट( ग).numpy() सरणी ([[1, 2, 2, 1], [5, 6, 7, 8]], dtype = int32)

एक टेंसर के खंडों के साथ न्यूनतम की गणना करता है।

खंडों की व्याख्या के लिए [विभाजन पर अनुभाग](https://tensorflow.org/api_docs/python/tf/math#Segmentation) पढ़ें।

ऐसे टेन्सर की गणना करता है कि \\(output_i = \min_j(data_j)\\) जहां `मिनट` `j` से अधिक है जैसे कि `segment_ids[j] == i`।

यदि किसी दिए गए सेगमेंट आईडी `i` के लिए न्यूनतम खाली है, तो यह विशिष्ट संख्यात्मक प्रकार के लिए सबसे बड़ा संभव मान आउटपुट करता है, `आउटपुट [i] = संख्यात्मक_लिमिट्स ::अधिकतम()`।

नोट: यह ऑप वर्तमान में केवल jit_compile=True के साथ समर्थित है।

सावधानी: CPU पर, `segment_ids` में मानों को क्रमबद्ध करने के लिए हमेशा सत्यापित किया जाता है, और जो सूचकांक नहीं बढ़ रहे हैं उनके लिए एक त्रुटि उत्पन्न होती है। जीपीयू पर, यह अवर्गीकृत सूचकांकों के लिए कोई त्रुटि नहीं देता है। जीपीयू पर, आउट-ऑफ-ऑर्डर इंडेक्स सुरक्षित लेकिन अनिर्दिष्ट व्यवहार का परिणाम देते हैं, जिसमें आउट-ऑफ-ऑर्डर इंडेक्स को एक छोटे अनुवर्ती इंडेक्स के समान माना जा सकता है।

SegmentMin के साथ एकमात्र अंतर अतिरिक्त इनपुट `num_segments` है। यह संकलन समय में आउटपुट आकार का मूल्यांकन करने में मदद करता है। `num_segments` सेगमेंट_आईड्स के अनुरूप होना चाहिए। उदाहरण के लिए अधिकतम (सेगमेंट_आईड्स) `num_segments` - 1 के बराबर होना चाहिए, 1-डी सेगमेंट_आईड्स के लिए असंगत num_segments के साथ, ऑप अभी भी चलता है। केवल अंतर यह है कि, सेगमेंट_आईड्स और डेटा के आकार के बावजूद आउटपुट num_segments का आकार लेता है। अपेक्षित आउटपुट आकार से कम num_segments के लिए, अपेक्षित आउटपुट आकार से अधिक num_segments के लिए अंतिम तत्वों को अनदेखा कर दिया जाता है, अंतिम तत्वों को विशिष्ट संख्यात्मक प्रकार के लिए सबसे बड़ा संभव मान असाइन किया जाता है।

उदाहरण के लिए:

>>> @tf.function(jit_compile=True) ... def test(c): ... वापसी tf.raw_ops.SegmentMinV2(data=c, segment_ids=tf.constant([0, 0, 1]), num_segments=2) >>> c = tf.constant([[1,2,3,4], [4, 3, 2, 1], [5,6,7,8]]) >>> टेस्ट( ग).numpy() सरणी ([[1, 2, 2, 1], [5, 6, 7, 8]], dtype = int32)