Python 在tensorflow中沿给定张量的轴计算模式和模式计数

我有一个二维阵列，如下所示：

c=np.array([[1, 3, 0, 0, 3],
            [1, 3, 1, 0, 2],
            [1, 3, 1, 2, 2]])

我想沿轴计算模式和模式计数=0。
因此，结果应如下所示：

mode = [1,3,1,0,2], mode-count=[3,3,2,2,2]

我已经在TensorFlow网站上搜索过了，但是除了 ，它需要一个一维张量

我不想在数组

c

的每一列上运行循环，以便使用

tf.unique\u with_counts

来计算模式和模式计数。
欢迎提供任何示例建议。

有一个功能，可以使这一点非常简单：

将tensorflow导入为tf
导入tensorflow_概率作为tfp
def模式_和_计数（x，轴=-1）：
x=tf。将_转换为_张量（x）
dt=x.dtype
#如果输入值为负值，则将其移位
m=tf.math.reduce_min（x）
x2=x-m
#minlength不应该是必需的，但如果没有它，可能会失败
#（此处报道）https://github.com/tensorflow/probability/issues/962)
c=tfp.stats.count_整数（x2，axis=axis，dtype=dt，
minlength=tf.math.reduce_max（x2）+1）
#查找计数最大的值
idx=tf.math.argmax（c，轴=0，输出类型=dt）
#通过移动减去的最小值获得模式
模式=idx+m
#获取计数的数量
计数=tf.math.reduce_max（c，轴=0）
#或者，您可以重用以前获得的索引
#比如说：
#计数=tf.transpose（tf.gather\u nd）（tf.transpose（c），tf.expand\u dims（idx，axis=-1），
#批次（尺寸=tf.等级（c）-1）
返回模式、计数
#试验
x=tf.常数（[[1,3,0,0,3]，
[1, 3, 1, 0, 2],
[1, 3, 1, 2, 2]])
tf.print（*模式_和_计数（x，轴=0），sep='\n'）
# [1 3 1 0 2]
# [3 3 2 2 2]
tf.print（*模式_和_计数（x，轴=1），sep='\n'）
# [0 1 1]
# [2 2 2]

模式

tf.map_fn（lambda x:tf.unique_与_计数（x）.y[tf.argmax（tf.unique_与_计数（x）.count，output_type=tf.int32）]，tf.transpose（c））

模式计数

tf.map_fn(lambda x: tf.reduce_max(tf.unique_with_counts(x).count), tf.transpose(c))

<tf.Tensor: shape=(5,), dtype=int32, numpy=array([3, 3, 2, 2, 2])>

tf.map_fn（lambda x:tf.reduce_max（tf.unique_与_计数（x.count）），tf.transpose（c））

---

我只需使用地图中带有计数的“唯一”来实现这一点。fn

谢谢您的帮助。根据您的建议，我直接调用count_integers函数作为tfp.stats.count_integers（x，axis=0），它向我显示了错误：ValueError:value（（4，）的形状不兼容，应为（（2，））。但是，如果轴=1，则工作正常。你能提出一个原因吗？@abhi这就是我在代码（）中的注释中提到的错误，请尝试传递

minlength=tf.math。将\u max（x）+1减少到
count\u integers
。谢谢你的帮助。你能描述一下你的步骤吗？这些步骤不难遵循。当然。。。它非常简单和优雅。。。我使用map\u fn将unique_与_计数一起应用。这使我们能够在所需轴上的每个元件上重复操作。我使用了tf.transpose（c），因为它使我能够在只有几行的情况下应用axis=0上的操作。如果您直接使用c而不是tf。转置（c）u可以在轴=1上应用相同的操作！别忘了投赞成票或接受它作为答案；-）
tf.map_fn(lambda x: tf.unique_with_counts(x).y[tf.argmax(tf.unique_with_counts(x).count, output_type=tf.int32)], tf.transpose(c))

<tf.Tensor: shape=(5,), dtype=int32, numpy=array([1, 3, 1, 0, 2])>

tf.map_fn(lambda x: tf.reduce_max(tf.unique_with_counts(x).count), tf.transpose(c))

<tf.Tensor: shape=(5,), dtype=int32, numpy=array([3, 3, 2, 2, 2])>