SegmentMinV2

מחשב את המינימום לאורך מקטעים של טנזור.

קרא את [הקטע על פילוח](https://tensorflow.org/api_docs/python/tf/math#Segmentation) לקבלת הסבר על הפלחים.

מחשב טנזור כך ש-\\(output_i = \min_j(data_j)\\) שבו 'min' הוא מעל 'j' כך ש-'segment_ids[j] == i'.

אם המינימום ריק עבור מזהה פלח נתון `i`, הוא מוציא את הערך הגדול ביותר האפשרי עבור הסוג המספרי הספציפי, `output[i] = numeric_limits ::max()`.

הערה: האופציה הזו נתמכת כרגע רק עם jit_compile=True.

זהירות: ב-CPU, ערכים ב-'segment_ids' מאומתים תמיד למיון, ונגררת שגיאה עבור מדדים שאינם גדלים. ב-GPU, זה לא משליך שגיאה עבור מדדים לא ממוינים. ב-GPU, מדדים חריגים מביאים להתנהגות בטוחה אך לא מוגדרת, אשר עשויה לכלול התייחסות למדדים חריגים כאל אינדקס עוקב קטן יותר.

ההבדל היחיד עם SegmentMin הוא הקלט הנוסף `num_segments`. זה עוזר להעריך את צורת הפלט בזמן הידור. `num_segments` צריך להיות עקבי עם segment_ID. למשל Max(segment_ids) צריך להיות שווה ל-'num_segments' - 1 עבור 1-d segment_ids עם num_segments לא עקביים, הפעולה עדיין פועלת. ההבדל היחיד הוא שהפלט מקבל את הגודל של num_segments ללא קשר לגודל של segment_ids ונתונים. עבור num_segments פחות מגודל הפלט הצפוי, האלמנטים האחרונים מתעלמים עבור num_segments יותר מגודל הפלט הצפוי, רכיבים אחרונים מקבלים את הערך הגדול ביותר האפשרי עבור הסוג המספרי הספציפי.

לדוגמה:

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