mindspore.ops.topk
- mindspore.ops.topk(input, k, dim=None, largest=True, sorted=True)[源代码]
沿给定维度查找 k 个最大或最小元素和对应的索引。
警告
如果 sorted 设置为False,它将使用aicpu运算符,性能可能会降低,另外,由于在不同平台上存在内存排布以及遍历方式不同等问题,sorted 设置为False时计算结果的显示顺序可能会出现不一致的情况。
如果 input 是一维Tensor,则查找Tensor中 k 个最大或最小元素,并将其值和索引输出为Tensor。 values[k] 是 input 中 k 个最大元素,其索引是 indices[k] 。
对于多维矩阵,计算给定维度中最大或最小的 k 个元素,因此:
\[values.shape = indices.shape\]如果两个比较的元素相同,则优先返回索引值较小的元素。
- 参数:
input (Tensor) - 需计算的输入,数据类型必须为float16、float32或int32。
k (int) - 指定计算最大或最小元素的数量,必须为常量。
dim (int, 可选) - 需要排序的维度。默认值:
None
。largest (bool, 可选) - 如果为
False
,则会返回前k个最小值。默认值:True
。sorted (bool, 可选) - 如果为
True
,则获取的元素将按值降序排序。如果为False
,则不对获取的元素进行排序。默认值:True
。
- 返回:
由 values 和 indices 组成的tuple。
values (Tensor) - 给定维度的每个切片中的 k 最大元素或最小元素。
indices (Tensor) - k 最大元素的对应索引。
- 异常:
TypeError - 如果 sorted 不是bool。
TypeError - 如果 input 不是Tensor。
TypeError - 如果 k 不是int。
TypeError - 如果 input 的数据类型不是以下之一:float16、float32或int32。
- 支持平台:
Ascend
GPU
CPU
样例:
>>> import mindspore as ms >>> from mindspore import ops >>> x = ms.Tensor([[0.5368, 0.2447, 0.4302, 0.9673], ... [0.4388, 0.6525, 0.4685, 0.1868], ... [0.3563, 0.5152, 0.9675, 0.8230]], dtype=ms.float32) >>> output = ops.topk(x, 2, dim=1) >>> print(output) (Tensor(shape=[3, 2], dtype=Float32, value= [[ 9.67299998e-01, 5.36800027e-01], [ 6.52499974e-01, 4.68499988e-01], [ 9.67499971e-01, 8.23000014e-01]]), Tensor(shape=[3, 2], dtype=Int32, value= [[3, 0], [1, 2], [2, 3]])) >>> output2 = ops.topk(x, 2, dim=1, largest=False) >>> print(output2) (Tensor(shape=[3, 2], dtype=Float32, value= [[ 2.44700000e-01, 4.30200011e-01], [ 1.86800003e-01, 4.38800007e-01], [ 3.56299996e-01, 5.15200019e-01]]), Tensor(shape=[3, 2], dtype=Int32, value= [[1, 2], [3, 0], [0, 1]]))