TensorFlow中如何计算数据集所有特征的全局最大值

你可以通过以下两种方式获取所有labels张量（即你提到的j）的全局最大值：

方法1：遍历数据集手动计算（适合小数据集） #

直接迭代数据集的每一组数据，实时更新全局最大值即可，代码示例：

import tensorflow as tf

input_slice=3
labels_slice=2

def split_window(x):  
    inputs = tf.slice(x,[0], [input_slice])
    labels = tf.slice(x,[input_slice], [labels_slice]) 
    return inputs, labels

dataset = tf.data.Dataset.range(1, 25 + 1).batch(5).map(split_window)

# 初始化全局最大值，注意和张量数据类型匹配
global_max = tf.constant(-1, dtype=tf.int64)
for i, j in dataset:
    current_max = tf.reduce_max(j)
    if current_max > global_max:
        global_max = current_max

print(global_max.numpy()) # 输出结果为25

方法2：使用Dataset的reduce方法（更高效，适合大数据集） #

利用TensorFlow数据集自带的规约API，不需要手动写循环，性能更优，代码示例：

import tensorflow as tf

input_slice=3
labels_slice=2

def split_window(x):  
    inputs = tf.slice(x,[0], [input_slice])
    labels = tf.slice(x,[input_slice], [labels_slice]) 
    return inputs, labels

dataset = tf.data.Dataset.range(1, 25 + 1).batch(5).map(split_window)

# 初始状态设为极小值，类型和数据集元素匹配
global_max = dataset.reduce(
    initial_state=tf.constant(-1, dtype=tf.int64),
    reduce_func=lambda state, batch: tf.maximum(state, tf.reduce_max(batch[1]))
)

print(global_max.numpy()) # 输出结果为25

注意：如果你的实际场景中特征值可能出现负数，只需要把初始最大值的初始值调整为对应数据类型的最小值即可，比如tf.constant(tf.int64.min, dtype=tf.int64)。

内容的提问来源于stack exchange，提问作者freak11