SegmentMinV2

คำนวณค่าต่ำสุดตามส่วนของเทนเซอร์

อ่าน [ส่วนเกี่ยวกับการแบ่งส่วน](https://tensorflow.org/api_docs/python/tf/math#Segmentation) เพื่อดูคำอธิบายเกี่ยวกับส่วนต่างๆ

คำนวณเทนเซอร์โดยที่ \\(output_i = \min_j(data_j)\\) โดยที่ `min` อยู่เหนือ `j` ดังนั้น `segment_ids[j] == i`

หากค่าต่ำสุดว่างเปล่าสำหรับ ID ส่วนที่กำหนด `i` จะส่งออกค่าที่ใหญ่ที่สุดที่เป็นไปได้สำหรับประเภทตัวเลขเฉพาะ `output[i] = numeric_limits ::สูงสุด()`.

หมายเหตุ: ขณะนี้ op นี้รองรับเฉพาะ jit_compile=True เท่านั้น

ข้อควรระวัง: บน CPU ค่าใน `segment_ids` จะได้รับการตรวจสอบความถูกต้องเสมอเพื่อจัดเรียง และจะมีข้อผิดพลาดเกิดขึ้นสำหรับดัชนีที่ไม่เพิ่มขึ้น บน GPU สิ่งนี้จะไม่ทำให้เกิดข้อผิดพลาดสำหรับดัชนีที่ไม่ได้เรียงลำดับ บน GPU ดัชนีที่ไม่อยู่ในลำดับส่งผลให้เกิดการทำงานที่ปลอดภัยแต่ไม่ได้ระบุ ซึ่งอาจรวมถึงการจัดการดัชนีที่ไม่อยู่ในลำดับเช่นเดียวกับดัชนีต่อไปนี้ที่มีขนาดเล็กกว่า

ข้อแตกต่างเพียงอย่างเดียวกับ SegmentMin คืออินพุตเพิ่มเติม `num_segments` ซึ่งจะช่วยในการประเมินรูปร่างเอาต์พุตในเวลาคอมไพล์ `num_segments` ควรสอดคล้องกับ group_ids เช่น Max(segment_ids) ควรเท่ากับ `num_segments` - 1 สำหรับ 1-d Segment_ids เนื่องจาก num_segments ไม่สอดคล้องกัน op ยังคงทำงานอยู่ ข้อแตกต่างเพียงอย่างเดียวคือเอาต์พุตจะใช้ขนาดของ num_segments โดยไม่คำนึงถึงขนาดของเซกเมนต์_ids และข้อมูล สำหรับ num_segments ที่น้อยกว่าขนาดเอาต์พุตที่คาดไว้ องค์ประกอบสุดท้ายจะถูกละเว้นสำหรับ num_segments ที่มากกว่าขนาดเอาต์พุตที่คาดไว้ องค์ประกอบสุดท้ายจะถูกกำหนดค่าที่ใหญ่ที่สุดที่เป็นไปได้สำหรับประเภทตัวเลขที่ระบุ

ตัวอย่างเช่น:

>>> @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]]) >>> ทดสอบ( c).numpy() อาร์เรย์([[1, 2, 2, 1], [5, 6, 7, 8]], dtype=int32)