TensorFlow：沿轴的张量的最大值

Question

我的问题是两个相关的部分：

1. 如何计算张量某个轴上的最大值？例如，如果我有

   x = tf.constant([[1,220,55],[4,3,-1]])
   

   我想要类似的东西

   x_max = tf.max(x, axis=1)
   print sess.run(x_max)
   
   output: [220,4]
   

   我知道有一个tf.argmax 和一个tf.maximum，但都没有给出沿单个张量轴的最大值。现在我有一个解决方法：

   x_max = tf.slice(x, begin=[0,0], size=[-1,1])
   for a in range(1,2):
       x_max = tf.maximum(x_max , tf.slice(x, begin=[0,a], size=[-1,1]))
   

   但它看起来不太理想。有没有更好的方法来做到这一点？

2. 给定一个张量的argmax 的索引，我如何使用这些索引索引另一个张量？使用上面x 的例子，我该如何做如下的事情：

   ind_max = tf.argmax(x, dimension=1)    #output is [1,0]
   y = tf.constant([[1,2,3], [6,5,4])
   y_ = y[:, ind_max]                     #y_ should be [2,6]
   

   我知道切片和最后一行一样，在 TensorFlow 中还不存在 (#206)。

   我的问题是：对于我的具体情况，最好的解决方法是什么（可能使用其他方法，如收集、选择等）？

   附加信息：我知道x 和y 将只是二维张量！

Answer 1

从 TensorFlow 1.10.0-dev20180626 开始，tf.reduce_max 接受 axis 和 keepdims 关键字参数，提供与 numpy.max 类似的功能。

In [55]: x = tf.constant([[1,220,55],[4,3,-1]])

In [56]: tf.reduce_max(x, axis=1).eval() 
Out[56]: array([220,   4], dtype=int32)

要获得与输入张量相同维度的结果张量，请使用keepdims=True

In [57]: tf.reduce_max(x, axis=1, keepdims=True).eval()Out[57]: 
array([[220],
       [  4]], dtype=int32)

---

如果未明确指定 axis 参数，则返回张量级最大元素（即所有轴都减少）。

In [58]: tf.reduce_max(x).eval()
Out[58]: 220

Answer 2

tf.reduce_max() 运算符正好提供了这个功能。默认情况下，它计算给定张量的全局最大值，但您可以指定 reduction_indices 的列表，其含义与 NumPy 中的 axis 相同。完成您的示例：

x = tf.constant([[1, 220, 55], [4, 3, -1]])
x_max = tf.reduce_max(x, reduction_indices=[1])
print sess.run(x_max)  # ==> "array([220,   4], dtype=int32)"

如果您使用 tf.argmax() 计算 argmax，则可以通过使用 tf.reshape() 将 y 展平，将 argmax 索引转换为向量索引，并使用 @987654324，从不同的张量 y 获取值@提取适当的值：

ind_max = tf.argmax(x, dimension=1)
y = tf.constant([[1, 2, 3], [6, 5, 4]])

flat_y = tf.reshape(y, [-1])  # Reshape to a vector.

# N.B. Handles 2-D case only.
flat_ind_max = ind_max + tf.cast(tf.range(tf.shape(y)[0]) * tf.shape(y)[1], tf.int64)

y_ = tf.gather(flat_y, flat_ind_max)

print sess.run(y_) # ==> "array([2, 6], dtype=int32)"