比较与tf.math.argmin的差异

tf.math.argmin

tf.math.argmin(
    input,
    axis=None,
    output_type=tf.dtypes.int64,
    name=None,
) -> Tensor

更多内容详见tf.math.argmin。

mindspore.ops.argmin

mindspore.ops.argmin(x, axis=None, keepdims=False) -> Tensor

更多内容详见mindspore.ops.argmin。

差异对比

TensorFlow：返回Tensor沿着给定的维度上最小值的索引，返回值类型默认为tf.int64，默认是返回axis为0时最小值的索引。

MindSpore：MindSpore此API实现功能与TensorFlow基本一致，返回值类型默认为ms.int32，默认是返回axis为-1时最小值的索引。

分类	子类	TensorFlow	MindSpore	差异
输入	单输入	input	x	都是输入Tensor，二者均不支持零维张量，TensorFlow支持Tensor类型和Numpy.ndarray类型的输入，MindSpore只支持Tensor类型的输入
参数	参数1	axis	axis	功能一致，参数名不同，默认值不同
	参数2	output_type	-	指定输出类型，MindSpore无此参数
	参数3	name	-	不涉及
	参数4	-	keepdims	TensorFlow无此参数，MindSpore的参数keepdims为True时将进行聚合的维度保留，并设定为1

代码示例1

TensorFlow的argmin算子在不显式给出axis参数时，计算结果是axis按默认值为0时最小值的索引，而MindSpore默认是返回axis为-1时最小值的索引。因此，为了得到相同的计算结果，在计算前，将mindspore.ops.argmin算子参数axis赋值为0，同时为保证二者输出类型是一致的，需使用mindspore.ops.Cast算子将MindSpore的计算结果转换成mindspore.int64。

# TensorFlow
import tensorflow as tf
import numpy as np

x = np.arange(2*3*4).reshape(2, 3, 4).astype(np.float32)
tf_argmin = tf.math.argmin
tf_output = tf.math.argmin(tf.constant(x))
tf_out_np = tf_output.numpy()
print(tf_out_np)
# [[0 0 0 0]
#  [0 0 0 0]
#  [0 0 0 0]]

# MindSpore
import numpy as np
import mindspore
from mindspore import Tensor

x = np.arange(2*3*4).reshape(2,3,4).astype(np.float32)
axis = 0
ms_argmin = mindspore.ops.argmin
ms_output = ms_argmin(Tensor(x), axis)
ms_cast = mindspore.ops.Cast()
ms_output = ms_cast(ms_output, mindspore.int64)
ms_out_np = ms_output.asnumpy()
print(ms_out_np)
# [[0 0 0 0]
#  [0 0 0 0]
#  [0 0 0 0]]

代码示例2

TensorFlow和MindSpore参数传入方式不会影响功能。

# TensorFlow
import tensorflow as tf
import numpy as np

x = np.arange(2*3*4).reshape(2, 3, 4).astype(np.float32)
tf_argmin = tf.math.argmin
axis = 2
tf_output = tf.math.argmin(tf.constant(x), axis)
tf_out_np = tf_output.numpy()
print(tf_out_np)
# [[0 0 0]
#  [0 0 0]]

# MindSpore
import numpy as np
import mindspore
from mindspore import Tensor

x = np.arange(2*3*4).reshape(2,3,4).astype(np.float32)
axis = 2
ms_argmin = mindspore.ops.argmin
ms_output = ms_argmin(Tensor(x), axis)
ms_cast = mindspore.ops.Cast()
ms_output = ms_cast(ms_output, mindspore.int64)
ms_out_np = ms_output.asnumpy()
print(ms_out_np)
# [[0 0 0]
#  [0 0 0]]

代码示例3

TensorFlow参数output_type用于指定输出数据类型，默认是tf.int64。而MindSpore的参数output_type默认值是mindspore.int32，为保证二者输出类型是一致的，需使用mindspore.ops.Cast算子将MindSpore的计算结果转换成mindspore.int64。TensorFlow参数name用于定义执行操作的名称，不影响结果，MindSpore无此参数。

# TensorFlow
import tensorflow as tf
import numpy as np

x = np.arange(2*3*4).reshape(2, 3, 4).astype(np.float32)
tf_argmin = tf.math.argmin
axis = 1
tf_output = tf.math.argmin(tf.constant(x), axis, name="tf_output")
tf_out_np = tf_output.numpy()
print(tf_out_np)
# [[0 0 0 0]
#  [0 0 0 0]]

# MindSpore
import numpy as np
import mindspore
from mindspore import Tensor

x = np.arange(2*3*4).reshape(2,3,4).astype(np.float32)
axis = 1
ms_argmin = mindspore.ops.argmin
ms_output = ms_argmin(Tensor(x), axis)
ms_cast = mindspore.ops.Cast()
ms_output = ms_cast(ms_output, mindspore.int64)
ms_out_np = ms_output.asnumpy()
print(ms_out_np)
# [[0 0 0 0]
#  [0 0 0 0]]