Python 用张量流求局部极大值

我正在寻找一种方法，专门使用TensorFlow获得张量局部极大值的指数

tl；dr

---

我不是数据科学家。我对计算机视觉背后的理论知之甚少，但我正在尝试使用TensorFlow构建一个计算机视觉应用程序。我计划保存我的模型并使用TF Serving将其作为服务调用，因此我不能依赖于外部库，如numpy、scipy等。我想要实现的算法与scipy的signal.argrelextrema相同，但可以通过我的模型保存并重新运行。已经展示了其他算法，但没有一个在TensorFlow中执行。有人能给我指出正确的方向吗？

我认为你没有提供足够的信息来澄清。首先，我不确定你想得到张量的最大元素（tf中有一个函数）还是想找到函数的局部最大值（不是张量）。在这种情况下，您可以恢复该函数并找到局部极小值，从而得到您想要的结果。

编辑

我的第一个解决方案是功能性的，但效率低下。它需要五次张量迭代（零轨迹，反向，零轨迹，反向，where）。我现在有了一个只需要两次迭代的解决方案，并且足够灵活，可以快速识别局部极小值

def get_slope(prev, cur):
    # A: Ascending
    # D: Descending
    # P: PEAK (on previous node)
    # V: VALLEY (on previous node)
    return tf.cond(prev[0] < cur, lambda: (cur, ascending_or_valley(prev, cur)), lambda: (cur, descending_or_peak(prev, cur)))

def ascending_or_valley(prev, cur):
    return tf.cond(tf.logical_or(tf.equal(prev[1], 'A'), tf.equal(prev[1], 'V')), lambda: np.array('A'), lambda: np.array('V'))

def descending_or_peak(prev, cur):
    return tf.cond(tf.logical_or(tf.equal(prev[1], 'A'), tf.equal(prev[1], 'V')), lambda: np.array('P'), lambda: np.array('D'))

def label_local_extrema(tens):
    """Return a vector of chars indicating ascending, descending, peak, or valley slopes"""
    # initializer element values don't matter, just the type.
    initializer = (np.array(0, dtype=np.float32), np.array('A'))
    # First, get the slope for each element
    slope = tf.scan(get_slope, tens, initializer)
    # shift by one, since each slope indicator is the slope
    # of the previous node (necessary to identify peaks and valleys)
    return slope[1][1:]

def find_local_maxima(tens):
    """Return the indices of the local maxima of the first dimension of the tensor"""
    return tf.squeeze(tf.where(tf.equal(label_local_extrema(blur_x_tf), 'P')))

def get_斜率（上、当前）：
#A:上升
#D:下降
#P：峰值（在上一个节点上）
#V：谷（在上一个节点上）
返回tf.cond（上一个[0]

结束编辑

好的，我已经找到了一个解决方案，但它并不漂亮。下面的函数采用一维张量，并将所有非局部极大值的点减少为零。这只适用于正数，需要修改除float32以外的数据类型，但它满足了我的需要

不过，必须有更好的方法来做到这一点

def zero_descent(prev, cur):
    """reduces all descent steps to zero"""
    return tf.cond(prev[0] < cur, lambda: (cur, cur), lambda: (cur, 0.0))

def skeletonize_1d(tens):
    """reduces all point other than local maxima to zero"""
    # initializer element values don't matter, just the type.
    initializer = (np.array(0, dtype=np.float32), np.array(0, dtype=np.float32))
    # First, zero out the trailing side
    trail = tf.scan(zero_descent, tens, initializer)
    # Next, let's make the leading side the trailing side
    trail_rev = tf.reverse(trail[1], [0])
    # Now zero out the leading (now trailing) side
    lead = tf.scan(zero_descent, trail_rev, initializer)
    # Finally, undo the reversal for the result
    return tf.reverse(lead[1], [0])

def find_local_maxima(tens):
    return tf.where(skeletonize_1d >0)

def归零下降（上、当前）：
“”“将所有下降步数减少到零”“”
返回tf.cond（上一个[0]0）

伪：

input_matrix == max_pool(input_matrix)

说明：

---

当输入值与max_pooling采用的值相同时，这意味着它们是最大值。

我在寻找局部最大值，而不是绝对最大值。换句话说，我想知道所有峰值的指数。每当张量的斜率从正变为负时，就会出现一个峰值。有关图形示例，请参见。