Fatal编程技术网
  • python/
  • Python 如何验证tf.unsorted_segments_max的segment_id参数？

Python 如何验证tf.unsorted_segments_max的segment_id参数？

python tensorflow machine-learning deep-learning

Python 如何验证tf.unsorted_segments_max的segment_id参数？,python,tensorflow,machine-learning,deep-learning,Python,Tensorflow,Machine Learning,Deep Learning,在TensorFlow 1.12中，您可以使用来计算沿张量线段的最大值 其中一个论点是： 段ID：张量。必须是以下类型之一：int32、int64。形状为data.shape.END}out\u arg前缀的张量{ 名称：“输出”说明：A1:对于一维情况，输出张量将具有由num_段指定的尽可能多的元素。每个元素i将是操作的结果（例如max，sum，…）应用于数据中的所有元素，由位置j表示，其段ID[j]==i。segment\u id可以是任何数字，不一定需要从0开始。但是，输出将包含num\u

在TensorFlow 1.12中，您可以使用来计算沿张量线段的最大值

其中一个论点是：

段ID：张量。必须是以下类型之一：int32、int64。形状为data.shape.END}out\u arg前缀的张量{
名称：“输出”说明：A1:对于一维情况，输出张量将具有由
num_段指定的尽可能多的元素。每个元素
i
将是操作的结果（例如
max
，
sum
，…）应用于
数据
中的所有元素，由位置
j
表示，其
段ID[j]==i
。
segment\u id
可以是任何数字，不一定需要从
0
开始。但是，输出将包含
num\u segments
元素，如果找到任何输出元素
i
no
segment\u id[j]==i
，则使用特定的默认值（此值对于每个操作都不同）。对于高维张量，
数据
的第一个
x
维度（由
段ID
的秩指定）将替换为包含不同段的单个维度

你的例子
您似乎没有在
tensorflow>=1.12.0
上运行示例，因为第二个示例本应引发异常：
InvalidArgumentError（回溯请参见上文）：segment_id[0]=3超出范围[0,3）
。忽略它的事实可能是旧版本中的行为（请检查）

根据以下文件：

如果给定段ID
i
的最大值为空，则它会输出特定数值类型的最小可能值，
output[i]=numeric\u limits:：lowest（）


  • 指定3个段，因此输出有3个元素。第一个元素，
    i==0
    ，对应于位置
    j==1,4]
    （如
    segment\u id
    中所指定），因此
    data[j]==0.2,0.4]
    。取
    max（data[j]）
    产生
    0.4
    。类似地，对于下一段，
    i==1
    ，我们有
    j==2,3]
    和
    data[j]=[0.3,0.3]=>max（data[j]）=0.3
    。对于最后一段，
    i==2
    ，在
    j==0
    位置只有一个元素，因此结果是
    0.1
    • 

  • 现在您仍然指定了3个集群，因此输出将有3个元素。段id
    3
    似乎被忽略，因为它不适合段的数量（但这会在最新版本的tensorflow上引发错误）.关于输出中的最后一个元素，对应于段
    i==2
    ，未找到相应的
    段id
    ，因此结果是特定数字类型的最小可能值；这就是您观察到的：
    -3.4028235e+38
    • 

  • 类似于2），区别在于现在段id
    3
    生效；这对应于输出中的最后一个元素，因此为
    0.1
    。对应于段id 2的倒数第二个元素仍然没有匹配的id，因此由默认值填充
    • 

  • 因为空段的默认值不同：如果给定段ID的总和为空
    i
    ，
    输出[i]=0
    。因此，段
    0
    是项目的总和
    0.2+0.4==0.6
    ，对于段1，它是
    0.3+0.3==0.6
    ，对于段2，找不到相应的id，因此默认情况下它是
    0
    ，对于段3，只有一个元素
    0.1
    • 
A2:段ID
    的标准是它“前缀”了
    数据的形状，即
    段ID.shape==data.shape[：len（段ID.shape）]
    和
    最大（段ID）
    （在最新版本的tensorflow上）。相应的维度将被缩减为单个维度，包含由
    num_segments
    指定的元素，而
    segments_id
    中的值指定输出中的相应片段
    

    A3:如果
    段id
    参数不满足要求，将提出一个。您必须修复相应的张量才能使操作正常运行。
    我认为
    tf.unsorted\u segment\u max
    中有一个数字溢出的错误，当id不在
    段id
    中时+38
    应该是
    0
    @giser\u yuyang我的第一个例子和第二个例子应该有相同的结果，如果除了
    段索引
    大小之外没有额外的限制。如果有，那么不检查就全取是不安全的。第一个例子和第二个例子应该有不同的结果。结果只会是在第一个示例中，
    0.4
    表示
    id=0
    来自
    max（0.2,0.4）
    ，
    0.3
    表示
    id=1
    来自
    max（0.3,0.3）
    ，
    0.1
    表示
    id=2
    来自
    max（0.1）
    。但是在第二个示例中没有
    id=2
    ，因此它应该返回
    0
    。你是对的。我的错，我的意思是第3段应该有
    0.1
    。连续不应该使结果完全错误。这就是为什么有示例4。它表明
    un中
    段id
    有明显的附加限制排序的_segment_max
    没有出现的segment应该是
    0。
    因此这不是一个错误，输入
    [3,0,1,1,0]
    无效。很抱歉。如果给定的segment ID
    I
    的最大值为空，它将输出最小的po 
    print(sess.run(tf.unsorted_segment_max(tf.constant([0.1, 0.2, 0.3, 0.3, 0.4]),
                                       tf.constant([2, 0, 1, 1, 0]), 3)))
#[0.4 0.3 0.1], correct
print(sess.run(tf.unsorted_segment_max(tf.constant([0.1, 0.2, 0.3, 0.3, 0.4]),
                                       tf.constant([3, 0, 1, 1, 0]), 3)))
#[ 4.0000001e-01  3.0000001e-01 -3.4028235e+38], number 2 worked, but 3 didnt
print(sess.run(tf.unsorted_segment_max(tf.constant([0.1, 0.2, 0.3, 0.3, 0.4]),
                                       tf.constant([3, 0, 1, 1, 0]), 4)))
#[ 4.0000001e-01  3.0000001e-01 -3.4028235e+38  1.0000000e-01], num_segments didnt help
print(sess.run(tf.unsorted_segment_sum(tf.constant([0.1, 0.2, 0.3, 0.3, 0.4]),
                                       tf.constant([3, 0, 1, 1, 0]), 4)))
#[0.6 0.6 0.  0.1], while num_segments worked on sum.