1 排序¶

1.1 sort：返回逆序排序后的Tensor¶

import tensorflow as tf

a = tf.random.shuffle(tf.range(6))

a

<tf.Tensor: id=4, shape=(6,), dtype=int32, numpy=array([3, 1, 5, 2, 0, 4])>

tf.sort(a)  # 默认是顺序排列

<tf.Tensor: id=17, shape=(6,), dtype=int32, numpy=array([0, 1, 2, 3, 4, 5])>

tf.sort(a, direction='ASCENDING')  # 默认顺序排列

<tf.Tensor: id=30, shape=(6,), dtype=int32, numpy=array([0, 1, 2, 3, 4, 5])>

tf.sort(a, direction='DESCENDING')  # 指定逆序排列

<tf.Tensor: id=40, shape=(6,), dtype=int32, numpy=array([5, 4, 3, 2, 1, 0])>

也对多维Tensor排序，当对多维Tensor进行排序时，可以通过axis参数指定需要排序的维度，默认axis默认值为-1，也就是对最后一维进行排序。

b = tf.random.uniform([3, 3], minval=1, maxval=10,dtype=tf.int32)

b

<tf.Tensor: id=46, shape=(3, 3), dtype=int32, numpy=
array([[1, 2, 1],
       [9, 6, 3],
       [6, 4, 1]])>

tf.sort(b)

<tf.Tensor: id=59, shape=(3, 3), dtype=int32, numpy=
array([[1, 1, 2],
       [3, 6, 9],
       [1, 4, 6]])>

tf.sort(b,axis=0)  # 通过axis参数指定第一维度，也就是列进行排序

<tf.Tensor: id=91, shape=(3, 3), dtype=int32, numpy=
array([[1, 2, 1],
       [6, 4, 1],
       [9, 6, 3]])>

1.2 argsort：返回排序后的索引¶

a

<tf.Tensor: id=4, shape=(6,), dtype=int32, numpy=array([1, 3, 2, 4, 5, 0])>

tf.argsort(a, direction='ASCENDING') # 返回排序之后的索引组成的Tensor, 默认是顺序排列

<tf.Tensor: id=125, shape=(6,), dtype=int32, numpy=array([5, 0, 2, 1, 3, 4])>

tf.argsort(a, direction='DESCENDING') # n逆序排列

<tf.Tensor: id=136, shape=(6,), dtype=int32, numpy=array([4, 3, 1, 2, 0, 5])>

可以通过axis参数指定需要排序的维度，默认获取-1维度排序后索引：

b

<tf.Tensor: id=46, shape=(3, 3), dtype=int32, numpy=
array([[1, 2, 1],
       [9, 6, 3],
       [6, 4, 1]])>

tf.argsort(b)  # 默认对最后一维度排序，也就是以行为单位排序

<tf.Tensor: id=134, shape=(3, 3), dtype=int32, numpy=
array([[0, 2, 1],
       [2, 1, 0],
       [2, 1, 0]])>

tf.argsort(b,axis=0)  # 指定第一维度进行排序，也就是以列为单位进行排序

<tf.Tensor: id=149, shape=(3, 3), dtype=int32, numpy=
array([[0, 0, 0],
       [2, 2, 2],
       [1, 1, 1]])>

返回的张量中，每一个元素表示b中原来元素在该行中的索引。

1.3 top_k：返回逆序排序后的前$k$个元素组成的Tensor¶

sort()方法和argsort()方法都是对给定Tensor的所有元素进行排序，在某些情况下如果我们只是要获取排序的前几个元素，这时候使用sort()或argsort()方法就有些浪费时间了，这时候可以使用top_k()方法。top_k()方法可以指定获取前k个元素。

注意：top_k()方法在tf.math模块中。

a

<tf.Tensor: id=4, shape=(6,), dtype=int32, numpy=array([3, 1, 5, 2, 0, 4])>

top_2 = tf.math.top_k(a, 2)  # 获取排序后前两位

top_2

TopKV2(values=<tf.Tensor: id=153, shape=(2,), dtype=int32, numpy=array([5, 4])>, indices=<tf.Tensor: id=154, shape=(2,), dtype=int32, numpy=array([2, 5])>)

从上述输出可以看到，top_k()方法返回的是一个TopKV2类型对象，内部包含两部分数据：第一部分是排序后的真实数据[5, 4]，可以通过TopKV2对象的values属性获取；第二部分是排序后数据所在原Tensor中的索引[2, 5]，可以通过TopKV2对象的indices获取。

top_2.values

<tf.Tensor: id=153, shape=(2,), dtype=int32, numpy=array([5, 4])>

top_2.indices

<tf.Tensor: id=154, shape=(2,), dtype=int32, numpy=array([2, 5])>

对于高维Tensor也是一样的:

b

<tf.Tensor: id=152, shape=(3, 3), dtype=int32, numpy=
array([[7, 9, 7],
       [4, 3, 1],
       [1, 1, 6]])>

tf.math.top_k(b, 2)

TopKV2(values=<tf.Tensor: id=211, shape=(3, 2), dtype=int32, numpy=
array([[9, 7],
       [4, 3],
       [6, 1]])>, indices=<tf.Tensor: id=212, shape=(3, 2), dtype=int32, numpy=
array([[1, 0],
       [0, 1],
       [2, 0]])>)

注意：top_k()方法只能对最后一维度进行排序。

2 最小值、最大值、平均值¶

2.1 reduce_min、reduce_max、reduce_mean¶

（1）reduce_min()：求最小值

a = tf.random.uniform([3, 3], minval=1, maxval=10, dtype=tf.int32)

a

<tf.Tensor: id=162, shape=(3, 3), dtype=int32, numpy=
array([[4, 9, 5],
       [8, 6, 1],
       [8, 7, 1]])>

不指定维度时，获取整个Tensor的最小值：

tf.reduce_min(a)  # 最小值

<tf.Tensor: id=169, shape=(), dtype=int32, numpy=1>

通过axis参数可以对指定维度求最小值：

 tf.reduce_min(a, axis=0)  # 求指定维度的最小值

<tf.Tensor: id=172, shape=(3,), dtype=int32, numpy=array([4, 6, 1])>

（2）reduce_max():求最大值

tf.reduce_max(a)  # 最大值

<tf.Tensor: id=175, shape=(), dtype=int32, numpy=9>

 tf.reduce_max(a, axis=-1)  # 求最后一维度的最大值

<tf.Tensor: id=190, shape=(3,), dtype=int32, numpy=array([9, 8, 8])>

（3）reduce_mean():求平均值

不指定维度时，求整个Tensor所有元素的平均值：

 tf.reduce_mean(a)  # 整个Tensor所有元素的平均值

<tf.Tensor: id=227, shape=(), dtype=int32, numpy=4>

tf.reduce_mean(a, axis=0)  # 求第一维度（行）均值

<tf.Tensor: id=196, shape=(3,), dtype=int32, numpy=array([6, 7, 2])>

在上面求均值的例子中，因为Tensor的dtype为int32，所以求出来的均值也是int32，而不是浮点型。如果需要求浮点型的均值，就需要将a的类型先转换为float32：

tf.reduce_mean(tf.cast(a, tf.float32), axis=0)

<tf.Tensor: id=200, shape=(3,), dtype=float32, numpy=array([6.6666665, 7.3333335, 2.3333333], dtype=float32)>

2.2 argmin()、argmax()¶

argmin()、argmax()返回最大值最小值的索引组成的Tensor。

（1）argmin():求最小值索引

a = tf.random.uniform([3,3],minval=1, maxval=10, dtype=tf.int32)

a

<tf.Tensor: id=205, shape=(3, 3), dtype=int32, numpy=
array([[5, 6, 1],
       [3, 7, 2],
       [7, 1, 6]])>

b = tf.random.uniform([3,3,3],minval=1, maxval=10, dtype=tf.int32)

b

<tf.Tensor: id=210, shape=(3, 3, 3), dtype=int32, numpy=
array([[[5, 4, 7],
        [4, 3, 9],
        [5, 3, 6]],

       [[9, 5, 3],
        [3, 2, 7],
        [5, 6, 1]],

       [[9, 9, 5],
        [5, 4, 4],
        [7, 1, 1]]])>

tf.argmin(a)  # 默认是第0维度

<tf.Tensor: id=213, shape=(3,), dtype=int64, numpy=array([1, 2, 0], dtype=int64)>

tf.argmin(b)

<tf.Tensor: id=216, shape=(3, 3), dtype=int64, numpy=
array([[0, 0, 1],
       [1, 1, 2],
       [0, 2, 1]], dtype=int64)>

对于shape为（3, 3）的Tensor，argmin(a)返回的是shape为（3,）的Tensor，因为没有指定比较的维度，默认比较的是第0维度的元素，也就是每一列数据；对于shape为（3，3,3）的Tensor，argmin(a)返回的是shape为（3,3）的Tensor，默认比较的是第0维度的元素，也就是每一块对应位置的元素，例如第一块的5、第二块的9、第三块的9比较，第一块的5最小，索引为0，所以返回的Tensor中第一个元素是0。

注意：argmin()方法在没有指定维度时，默认返回的是第0维度最小值的索引，这与reducemin()方法不同，reducemin()方法在没有指定维度是是返回整个Tensor中所有元素中的最小值。

（2）argmax():求最大值索引

a = tf.random.uniform([3,3,3],minval=1, maxval=10, dtype=tf.int32)

a

<tf.Tensor: id=221, shape=(3, 3, 3), dtype=int32, numpy=
array([[[1, 2, 7],
        [9, 3, 3],
        [5, 4, 8]],

       [[8, 5, 1],
        [2, 6, 5],
        [2, 1, 2]],

       [[8, 9, 7],
        [3, 3, 9],
        [7, 7, 2]]])>

tf.argmax(a, axis=0)  # 第一维度，也就是每一块

<tf.Tensor: id=233, shape=(3, 3), dtype=int64, numpy=
array([[1, 2, 0],
       [0, 1, 2],
       [2, 2, 0]], dtype=int64)>

tf.argmax(a, axis=2)  # 第三维度，也就是每一行

<tf.Tensor: id=236, shape=(3, 3), dtype=int64, numpy=
array([[2, 0, 2],
       [0, 1, 0],
       [1, 2, 0]], dtype=int64)>

TensorFlow2.0（三）：排序及最大、最小、平均值