jax.ops.segment_sum#

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

计算数组各段内的总和。

类似于 TensorFlow 的 segment_sum

参数：

  • data (ArrayLike) – 包含要被求和的值的数组。

  • segment_ids (ArrayLike) – 一个整数数据类型的数组，指示要被求和的 data 的段（沿其引导轴）。值可以重复，并且不需要排序。

  • num_segments (int | None | None) – 可选，一个非负整数值，表示段的数量。默认值设置为支持 segment_ids 中所有索引的最小段数，计算为 max(segment_ids) + 1。 由于 num_segments 决定输出的大小，因此必须提供静态值才能在 JIT 编译的函数中使用 segment_sum。

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

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

  • bucket_size (int | None | None) – 将索引分组到的桶的大小。segment_sum 在每个桶上单独执行，以提高加法的数值稳定性。默认值 None 表示不进行分桶。

  • mode (lax.GatherScatterMode | None | None) – 一个 jax.lax.GatherScatterMode 值，描述应如何处理超出范围的索引。默认情况下，范围 [0, num_segments) 之外的值将被删除，并且不参与求和。

返回值：

一个形状为 (num_segments,) + data.shape[1:] 的数组，表示段总和。

返回类型：

Array

示例

简单的 1D 段求和

>>> data = jnp.arange(5)
>>> segment_ids = jnp.array([0, 0, 1, 1, 2])
>>> segment_sum(data, segment_ids)
Array([1, 5, 4], dtype=int32)

使用 JIT 需要静态的 num_segments

>>> from jax import jit
>>> jit(segment_sum, static_argnums=2)(data, segment_ids, 3)
Array([1, 5, 4], dtype=int32)