SegmentMinV2

Oblicza minimum wzdłuż segmentów tensora.

Przeczytaj [sekcję o segmentacji](https://tensorflow.org/api_docs/python/tf/math#Segmentation), aby uzyskać wyjaśnienie segmentów.

Oblicza tensor w taki sposób, że \\(output_i = \min_j(data_j)\\) gdzie `min` jest większe od `j` tak, że `ids_segmentu[j] == i`.

Jeśli minimum jest puste dla danego identyfikatora segmentu `i`, wyświetla największą możliwą wartość dla określonego typu liczbowego, `output[i] = numeric_limits ::max()`.

Uwaga: ta opcja jest obecnie obsługiwana tylko z jit_compile=True.

Uwaga: na procesorze wartości w `segment_ids` są zawsze sprawdzane pod kątem sortowania, a dla indeksów, które nie rosną, zgłaszany jest błąd. Na GPU nie powoduje to błędu dla nieposortowanych indeksów. Na GPU indeksy poza kolejnością powodują bezpieczne, ale nieokreślone zachowanie, które może obejmować traktowanie indeksów poza kolejnością tak samo jak mniejszego indeksu następującego po sobie.

Jedyną różnicą w przypadku SegmentMin jest dodatkowe wejście „num_segments”. Pomaga to w ocenie kształtu wyjściowego w czasie kompilacji. Liczba „liczba_segmentów” powinna być zgodna z identyfikatorami segmentu. np. Max(segment_ids) powinno być równe `num_segments` - 1 dla 1-d segment_ids W przypadku niespójnej liczby num_segments operacja nadal działa. jedyna różnica polega na tym, że dane wyjściowe przyjmują rozmiar num_segments niezależnie od rozmiaru identyfikatorów segmentów i danych. dla num_segments mniejszego niż oczekiwany rozmiar wyjściowy, ostatnie elementy są ignorowane. Dla num_segments większe niż oczekiwany rozmiar wyjściowy, ostatnim elementom przypisuje się największą możliwą wartość dla określonego typu liczbowego.

Na przykład:

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