jax.ops.segment_max#

jax.ops.segment_max(data, segment_ids, num_segments=None, indices_are_sorted=False, unique_indices=False, bucket_size=None, mode=None)[源代码]#

计算数组中分段内的最大值。

类似于 TensorFlow 的 segment_max

参数:

  • data (ArrayLike) – 一个包含要缩减的值的数组。

  • segment_ids (ArrayLike) – 一个整数类型的数组，指示要缩减的 data 的段（沿其前导轴）。值可以重复，不需要排序。超出范围 [0, num_segments) 的值将被丢弃，不影响结果。

  • num_segments (int | None | None) – 可选参数，一个非负整数，表示段的数量。默认值设置为支持 segment_ids 中所有索引所需的最小段数，计算公式为 max(segment_ids) + 1。由于 num_segments 决定了输出的大小，因此必须提供一个静态值才能在 JIT 编译的函数中使用 segment_max。

  • indices_are_sorted (bool) – segment_ids 是否已知已排序。

  • unique_indices (bool) – segment_ids 是否已知没有重复值。

  • bucket_size (int | None | None) – 将索引分组到的桶的大小。 segment_max 将分别在每个桶上执行。默认值 None 表示不进行分桶。

  • mode (lax.GatherScatterMode | None | None) – 一个 jax.lax.GatherScatterMode 值，描述如何处理超出范围的索引。默认情况下，范围 [0, num_segments) 之外的值将被丢弃，并且不参与求最大值。

返回值:

一个形状为 (num_segments,) + data.shape[1:] 的数组，表示每个段的最大值。

返回类型:

Array

示例

简单的 1D 段最大值

>>> data = jnp.arange(6)
>>> segment_ids = jnp.array([0, 0, 1, 1, 2, 2])
>>> segment_max(data, segment_ids)
Array([1, 3, 5], dtype=int32)

使用 JIT 需要静态的 num_segments

>>> from jax import jit
>>> jit(segment_max, static_argnums=2)(data, segment_ids, 3)
Array([1, 3, 5], dtype=int32)