如何在TensorFlow中统计张量中的正值数量？

没问题！在TensorFlow里统计张量的正值数量其实很简单，我给你分享两种常用且实用的实现方法，你可以根据自己的需求选择：

方法一：结合tf.greater和tf.reduce_sum #

这个方法逻辑很直观，先筛选出大于0的元素，再统计它们的数量：

1. 用tf.greater(tensor, 0)生成一个布尔掩码张量——所有大于0的位置会被标记为True，其余为False
2. 把布尔张量转换成数值型（True对应1，False对应0），再用tf.reduce_sum求和，得到的就是正值的总数

示例代码：

import tensorflow as tf

# 创建一个示例张量
sample_tensor = tf.constant([-2, 3, 0, 5, -1, 7])

# 生成布尔掩码
positive_mask = tf.greater(sample_tensor, 0)
# 统计数量：将布尔值转成int后求和
positive_count = tf.reduce_sum(tf.cast(positive_mask, tf.int32))

# 打印结果（用.numpy()把张量转成Python数值）
print(positive_count.numpy())  # 输出：3

小提示：其实TensorFlow的reduce_sum可以直接对布尔张量求和（True会被当作1计算），所以也可以简化成tf.reduce_sum(positive_mask)，结果是一样的~

方法二：用tf.count_nonzero简化实现 #

如果你想要更简洁的写法，tf.count_nonzero是个绝佳选择——它直接统计张量中"非零"的元素数量，而我们只需要先筛选出大于0的元素：

示例代码：

import tensorflow as tf

sample_tensor = tf.constant([-2, 3, 0, 5, -1, 7])
# 直接统计大于0的元素数量
positive_count = tf.count_nonzero(sample_tensor > 0)

print(positive_count.numpy())  # 输出：3

这种写法一行就能搞定，非常高效！

拓展：高维张量的维度统计 #

如果你的张量是高维的（比如2D矩阵），还可以指定axis参数按维度统计：

# 2D示例张量
tensor_2d = tf.constant([[-1, 2, 3], [4, -5, 0], [6, 7, -8]])

# 统计所有元素中的正值总数
total_positive = tf.count_nonzero(tensor_2d > 0)
print(total_positive.numpy())  # 输出：5

# 按行统计每行的正值数量（axis=1表示按行）
row_positive = tf.count_nonzero(tensor_2d > 0, axis=1)
print(row_positive.numpy())  # 输出：[2 1 2]

# 按列统计每列的正值数量（axis=0表示按列）
col_positive = tf.count_nonzero(tensor_2d > 0, axis=0)
print(col_positive.numpy())  # 输出：[2 2 1]

内容的提问来源于stack exchange，提问作者Tbertin