topk¶

paddle. topk ( x, k, axis=None, largest=True, sorted=True, name=None ) [源代码] ¶

沿着可选的 axis 查找 topk 最大或者最小的结果和结果所在的索引信息。如果是一维 Tensor，则直接返回 topk 查询的结果。如果是多维 Tensor，则在指定的轴上查询 topk 的结果。

参数¶

x (Tensor) - 输入的多维 Tensor ，支持的数据类型：float32、float64、int32、int64。

k (int，Tensor) - 在指定的轴上进行 top 寻找的数量。

axis (int，可选) - 指定对输入 Tensor 进行运算的轴， axis 的有效范围是[-R, R），R 是输入 x 的 Rank， axis 为负时与 axis + R 等价。默认值为-1。

largest (bool，可选) - 指定算法排序的方向。如果设置为 True，排序算法按照降序的算法排序，否则按照升序排序。默认值为 True。

sorted (bool，可选) - 控制返回的结果是否按照有序返回，默认为 True。在 GPU 上总是返回有序的结果。

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¶

tuple(Tensor)，返回 topk 的结果和结果的索引信息。结果的数据类型和输入 x 一致。索引的数据类型是 int64。

代码示例¶

          >>> import paddle

>>> data_1 = paddle.to_tensor([1, 4, 5, 7])
>>> value_1, indices_1 = paddle.topk(data_1, k=1)
>>> print(value_1)
Tensor(shape=[1], dtype=int64, place=Place(cpu), stop_gradient=True,
[7])
>>> print(indices_1)
Tensor(shape=[1], dtype=int64, place=Place(cpu), stop_gradient=True,
[3])

>>> data_2 = paddle.to_tensor([[1, 4, 5, 7], [2, 6, 2, 5]])
>>> value_2, indices_2 = paddle.topk(data_2, k=1)
>>> print(value_2)
Tensor(shape=[2, 1], dtype=int64, place=Place(cpu), stop_gradient=True,
[[7],
 [6]])
>>> print(indices_2)
Tensor(shape=[2, 1], dtype=int64, place=Place(cpu), stop_gradient=True,
[[3],
 [1]])

>>> value_3, indices_3 = paddle.topk(data_2, k=1, axis=-1)
>>> print(value_3)
Tensor(shape=[2, 1], dtype=int64, place=Place(cpu), stop_gradient=True,
[[7],
 [6]])
>>> print(indices_3)
Tensor(shape=[2, 1], dtype=int64, place=Place(cpu), stop_gradient=True,
[[3],
 [1]])

>>> value_4, indices_4 = paddle.topk(data_2, k=1, axis=0)
>>> print(value_4)
Tensor(shape=[1, 4], dtype=int64, place=Place(cpu), stop_gradient=True,
[[2, 6, 5, 7]])
>>> print(indices_4)
Tensor(shape=[1, 4], dtype=int64, place=Place(cpu), stop_gradient=True,
[[1, 1, 0, 0]])

         