SegmentMinV2

حداقل را در امتداد قطعات یک تانسور محاسبه می کند.

برای توضیح بخش‌ها [بخش تقسیم‌بندی] (https://tensorflow.org/api_docs/python/tf/math#Segmentation) را بخوانید.

تانسوری را طوری محاسبه می کند که \\(output_i = \min_j(data_j)\\) جایی که «min» بیش از «j» است، به طوری که «segment_ids[j] == i».

اگر حداقل برای یک شناسه بخش داده شده «i» خالی باشد، بزرگترین مقدار ممکن را برای نوع عددی خاص، «خروجی[i] = numeric_limits به دست می‌آورد. ::max()`.

توجه: این عملیات در حال حاضر فقط با jit_compile=True پشتیبانی می شود.

احتیاط: در CPU، مقادیر موجود در «segment_ids» همیشه برای مرتب‌سازی اعتبارسنجی می‌شوند و برای شاخص‌هایی که در حال افزایش نیستند، خطا ایجاد می‌شود. در GPU، این خطا برای شاخص های مرتب نشده ایجاد نمی کند. در GPU، شاخص‌های خارج از دستور منجر به رفتار ایمن اما نامشخص می‌شوند، که ممکن است شامل تلقی با شاخص‌های خارج از نظم به‌عنوان یک شاخص کوچک‌تر زیر باشد.

تنها تفاوت با SegmentMin ورودی اضافی «تعداد_بخش‌ها» است. این به ارزیابی شکل خروجی در زمان کامپایل کمک می کند. "num_segments" باید با segment_ids سازگار باشد. به عنوان مثال حداکثر (segment_ids) باید برابر با 'num_segments' - 1 برای segment_ids 1-d با num_segments ناسازگار، عملیات هنوز اجرا می شود. تنها تفاوت این است که خروجی اندازه num_segments را صرف نظر از اندازه segment_ids و داده ها می گیرد. برای num_segments کمتر از اندازه خروجی مورد انتظار، آخرین عناصر برای num_segments بیشتر از اندازه خروجی مورد انتظار نادیده گرفته می‌شوند، آخرین عناصر بیشترین مقدار ممکن را برای نوع عددی خاص اختصاص می‌دهند.

به عنوان مثال:

>>> @tf.function(jit_compile=True) ... def test(c): ... بازگشت 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]]) >>> test( آرایه c).numpy()([[1, 2, 2, 1], [5, 6, 7, 8]], dtype=int32)

حداقل را در امتداد قطعات یک تانسور محاسبه می کند.

برای توضیح بخش‌ها [بخش تقسیم‌بندی] (https://tensorflow.org/api_docs/python/tf/math#Segmentation) را بخوانید.

تانسوری را طوری محاسبه می کند که \\(output_i = \min_j(data_j)\\) جایی که «min» بیش از «j» است، به طوری که «segment_ids[j] == i».

اگر حداقل برای یک شناسه بخش داده شده «i» خالی باشد، بزرگترین مقدار ممکن را برای نوع عددی خاص، «خروجی[i] = numeric_limits به دست می‌آورد. ::max()`.

توجه: این عملیات در حال حاضر فقط با jit_compile=True پشتیبانی می شود.

احتیاط: در CPU، مقادیر موجود در «segment_ids» همیشه برای مرتب‌سازی اعتبارسنجی می‌شوند و برای شاخص‌هایی که در حال افزایش نیستند، خطا ایجاد می‌شود. در GPU، این خطا برای شاخص های مرتب نشده ایجاد نمی کند. در GPU، شاخص‌های خارج از دستور منجر به رفتار ایمن اما نامشخص می‌شوند، که ممکن است شامل تلقی با شاخص‌های خارج از نظم به‌عنوان یک شاخص کوچک‌تر زیر باشد.

تنها تفاوت با SegmentMin ورودی اضافی «تعداد_بخش‌ها» است. این به ارزیابی شکل خروجی در زمان کامپایل کمک می کند. "num_segments" باید با segment_ids سازگار باشد. به عنوان مثال حداکثر (segment_ids) باید برابر با 'num_segments' - 1 برای segment_ids 1-d با num_segments ناسازگار، عملیات هنوز اجرا می شود. تنها تفاوت این است که خروجی اندازه num_segments را صرف نظر از اندازه segment_ids و داده ها می گیرد. برای num_segments کمتر از اندازه خروجی مورد انتظار، آخرین عناصر برای num_segments بیشتر از اندازه خروجی مورد انتظار نادیده گرفته می‌شوند، آخرین عناصر بیشترین مقدار ممکن را برای نوع عددی خاص اختصاص می‌دهند.

به عنوان مثال:

>>> @tf.function(jit_compile=True) ... def test(c): ... بازگشت 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]]) >>> test( آرایه c).numpy()([[1, 2, 2, 1], [5, 6, 7, 8]], dtype=int32)