unique_consecutive

paddle. unique_consecutive ( x, return_inverse=False, return_counts=False, axis=None, dtype='int64', name=None ) [源代码]

将 Tensor 中连续重复的元素进行去重,返回连续不重复的 Tensor。

参数

  • x (Tensor) - 输入的 Tensor,数据类型为:float32、float64、int32、int64。

  • return_inverse (bool,可选) - 如果为 True,则还返回输入 Tensor 的元素对应在连续不重复元素中的索引,该索引可用于重构输入 Tensor。默认:False。

  • return_counts (bool,可选) - 如果为 True,则还返回每个连续不重复元素在输入 Tensor 中的个数。默认:False。

  • axis (int,可选) - 指定选取连续不重复元素的轴。默认值为 None,将输入平铺为 1-D 的 Tensor 后再选取连续不重复元素。默认:None。

  • dtype (np.dtype|str,可选) - 用于设置 inverse 或者 counts 的类型,应该为 int32 或者 int64。默认:int64。

  • name (str,可选) - 具体用法请参见 Name,一般无需设置,默认值为 None。

返回

  • out (Tensor) - 连续不重复元素构成的 Tensor,数据类型与输入一致。

  • inverse (Tensor,可选) - 输入 Tensor 的元素对应在连续不重复元素中的索引,仅在 return_inverse 为 True 时返回。

  • counts (Tensor,可选) - 每个连续不重复元素在输入 Tensor 中的个数,仅在 return_counts 为 True 时返回。

代码示例

import paddle

x = paddle.to_tensor([1, 1, 2, 2, 3, 1, 1, 2])
output = paddle.unique_consecutive(x) #
print(output)
# Tensor(shape=[5], dtype=int64, place=Place(gpu:0), stop_gradient=True,
#        [1, 2, 3, 1, 2])

_, inverse, counts = paddle.unique_consecutive(x, return_inverse=True, return_counts=True)
print(inverse)
# Tensor(shape=[8], dtype=int64, place=Place(gpu:0), stop_gradient=True,
#        [0, 0, 1, 1, 2, 3, 3, 4])
print(counts)
# Tensor(shape=[5], dtype=int64, place=Place(gpu:0), stop_gradient=True,
#        [2, 2, 1, 2, 1])

x = paddle.to_tensor([[2, 1, 3], [3, 0, 1], [2, 1, 3], [2, 1, 3]])
output = paddle.unique_consecutive(x, axis=0) #
print(output)
# Tensor(shape=[3, 3], dtype=int64, place=Place(gpu:0), stop_gradient=True,
#        [[2, 1, 3],
#         [3, 0, 1],
#         [2, 1, 3]])

x = paddle.to_tensor([[2, 1, 3], [3, 0, 1], [2, 1, 3], [2, 1, 3]])
output = paddle.unique_consecutive(x, axis=0) #
print(output)
# Tensor(shape=[3, 3], dtype=int64, place=Place(gpu:0), stop_gradient=True,
#        [[2, 1, 3],
#         [3, 0, 1],
#         [2, 1, 3]])