1 排序
1.1 sort：返回排序后的Tensor
import tensorflow as tf a = tf.random.shuffle(tf.range(6)) a
<tf.Tensor: id=4, shape=(6,), dtype=int32, numpy=array([3, 2, 4, 5, 0, 1], dtype=int32)>
tf.sort(a) # 默认是顺序排列
<tf.Tensor: id=15, shape=(6,), dtype=int32, numpy=array([0, 1, 2, 3, 4, 5], dtype=int32)>
tf.sort(a,direction='ASCENDING') # 默认顺序排列
<tf.Tensor: id=26, shape=(6,), dtype=int32, numpy=array([0, 1, 2, 3, 4, 5], dtype=int32)>
tf.sort(a,direction='DESCENDING') # 指定逆序排列
<tf.Tensor: id=34, shape=(6,), dtype=int32, numpy=array([5, 4, 3, 2, 1, 0], dtype=int32)>
也可以对多维Tensor进行排序，当对多维Tensor进行排序时，可以通过axis参数指定需要排序的维度，axis的默认值为-1，也就是对最后一维进行排序。
b = tf.random.uniform([3,3],minval=1,maxval=10,dtype=tf.int32) b
<tf.Tensor: id=39, shape=(3, 3), dtype=int32, numpy=
array([[1, 9, 8],
[3, 4, 9],
[5, 1, 5]], dtype=int32)>
tf.sort(b)
<tf.Tensor: id=50, shape=(3, 3), dtype=int32, numpy=
array([[1, 8, 9],
[3, 4, 9],
[1, 5, 5]], dtype=int32)>
tf.sort(b,axis=0) # 通过axis参数指定第0维度，也就是对列进行排序
<tf.Tensor: id=64, shape=(3, 3), dtype=int32, numpy=
array([[1, 1, 5],
[3, 4, 8],
[5, 9, 9]], dtype=int32)>
1.2 argsort：返回排序后的索引
a
<tf.Tensor: id=4, shape=(6,), dtype=int32, numpy=array([3, 2, 4, 5, 0, 1], dtype=int32)>
tf.argsort(a,direction='ASCENDING') # 返回排序之后的索引组成的Tensor，默认是顺序排列
<tf.Tensor: id=74, shape=(6,), dtype=int32, numpy=array([4, 5, 1, 0, 2, 3], dtype=int32)>
tf.argsort(a,direction='DESCENDING') # 逆序排列
<tf.Tensor: id=83, shape=(6,), dtype=int32, numpy=array([3, 2, 0, 1, 5, 4], dtype=int32)>
可以通过axis参数指定需要排序的维度，默认获取-1维度排序后的索引。
b
<tf.Tensor: id=39, shape=(3, 3), dtype=int32, numpy=
array([[1, 9, 8],
[3, 4, 9],
[5, 1, 5]], dtype=int32)>
tf.argsort(b) # 默认对最后一维度排序，也就是以行为单位排序
<tf.Tensor: id=93, shape=(3, 3), dtype=int32, numpy=
array([[0, 2, 1],
[0, 1, 2],
[1, 0, 2]], dtype=int32)>
tf.argsort(b,axis=0) # 指定第0维度进行排序，也就是以列为单位进行排序
<tf.Tensor: id=106, shape=(3, 3), dtype=int32, numpy=
array([[0, 2, 2],
[1, 1, 0],
[2, 0, 1]], dtype=int32)>
返回的张量中，每一个元素表示b中原来元素在该列中的索引。
1.3 top_k：返回逆序排列后的前k个元素组成的Tensor
sort()方法和argsort()方法都是对给定Tensor的所有元素进行排序，在某些情况下如果我们只是要获取排序的前几个元素，这时候使用sort()或argsort()方法就有些浪费时间了，这时候可以使用top_k()方法。
top_k()方法可以指定获取前k个元素。注意：top_k()方法在tf.math模块中。
a
<tf.Tensor: id=4, shape=(6,), dtype=int32, numpy=array([3, 2, 4, 5, 0, 1], dtype=int32)>
top_2 = tf.math.top_k(a,2) # 获取排序后前两位
top_2
TopKV2(values=<tf.Tensor: id=108, shape=(2,), dtype=int32, numpy=array([5, 4], dtype=int32)>, indices=<tf.Tensor: id=109, shape=(2,), dtype=int32, numpy=array([3, 2], dtype=int32)>)
从上述输出可以看到，top_k()方法返回的是一个TopKV2类型对象，内部包含两部分数据：第一部分是排序后的真实数据[5,4]，可以通过TopKV2对象的values属性获取；第二部分是排序后数据所在原Tensor中的索引[3,2]，可以通过TokKV2对象的indices获取。
top_2.values
<tf.Tensor: id=108, shape=(2,), dtype=int32, numpy=array([5, 4], dtype=int32)>
top_2.indices
<tf.Tensor: id=109, shape=(2,), dtype=int32, numpy=array([3, 2], dtype=int32)>
对于高维Tensor也是一样的。
b
<tf.Tensor: id=39, shape=(3, 3), dtype=int32, numpy=
array([[1, 9, 8],
[3, 4, 9],
[5, 1, 5]], dtype=int32)>
tf.math.top_k(b,2)
TopKV2(values=<tf.Tensor: id=111, shape=(3, 2), dtype=int32, numpy=
array([[9, 8],
[9, 4],
[5, 5]], dtype=int32)>, indices=<tf.Tensor: id=112, shape=(3, 2), dtype=int32, numpy=
array([[1, 2],
[2, 1],
[0, 2]], dtype=int32)>)
注意：top_k()方法只能对最后一维度进行排序。
2 最大值、最小值、平均值、和
2.1 reduce_min、reduce_max、reduce_mean、reduce_sum
（1）reduce_min()：求最小值
a = tf.random.uniform([3,3],minval=1,maxval=10,dtype=tf.int32)
a
<tf.Tensor: id=116, shape=(3, 3), dtype=int32, numpy=
array([[2, 3, 9],
[6, 5, 9],
[7, 3, 8]], dtype=int32)>
不指定维度时，获取整个Tensor的最小值。
tf.reduce_min(a)
<tf.Tensor: id=118, shape=(), dtype=int32, numpy=2>
通过axis参数可以对指定维度求最小值。
tf.reduce_min(a,axis=0)
<tf.Tensor: id=120, shape=(3,), dtype=int32, numpy=array([2, 3, 8], dtype=int32)>
（2）reduce_max()：求最大值
tf.reduce_max(a)
<tf.Tensor: id=122, shape=(), dtype=int32, numpy=9>
tf.reduce_max(a,axis=-1)
<tf.Tensor: id=124, shape=(3,), dtype=int32, numpy=array([9, 9, 8], dtype=int32)>
（3）reduce_mean()：求平均值
不指定维度时，求整个Tensor所有元素的平均值。
tf.reduce_mean(a) # 求整个Tensor所有元素的平均值
<tf.Tensor: id=126, shape=(), dtype=int32, numpy=5>
tf.reduce_mean(a,axis=0)
<tf.Tensor: id=128, shape=(3,), dtype=int32, numpy=array([5, 3, 8], dtype=int32)>
在上面求均值的例子中，因为Tensor的dtype为int32，所以求出来的均值也是int32，而不是浮点型。如果需要求浮点型的均值，就需要将a的类型先转换为float32。
tf.reduce_mean(tf.cast(a,tf.float32),axis=0)
<tf.Tensor: id=131, shape=(3,), dtype=float32, numpy=array([5. , 3.6666667, 8.666667 ], dtype=float32)>
2.2 argmin()、agrmax()
argmin()、agrmax()返回最大值最小值的索引组成的Tensor。
（1）argmin()：求最小值索引
a = tf.random.uniform([3,3],minval=1,maxval=10,dtype=tf.int32) a
<tf.Tensor: id=135, shape=(3, 3), dtype=int32, numpy=
array([[1, 5, 4],
[1, 2, 7],
[2, 6, 9]], dtype=int32)>
b = tf.random.uniform([3,3,3],minval=1,maxval=10,dtype=tf.int32) b
<tf.Tensor: id=139, shape=(3, 3, 3), dtype=int32, numpy=
array([[[5, 2, 1],
[5, 6, 3],
[1, 7, 5]],
[[1, 9, 2],
[8, 5, 2],
[1, 6, 9]],
[[6, 6, 7],
[2, 8, 7],
[2, 2, 9]]], dtype=int32)>
tf.argmin(a) # 默认是对列操作
<tf.Tensor: id=141, shape=(3,), dtype=int64, numpy=array([0, 1, 0])>
tf.argmin(b)
<tf.Tensor: id=143, shape=(3, 3), dtype=int64, numpy=
array([[1, 0, 0],
[2, 1, 1],
[0, 2, 0]])>
对于shape为（3，3）的Tensor，argmin(a)返回的是shape为（3，）的Tensor，因为没有指定比较的维度，默认比较的是第0维度的元素，也就是每一列数据；对于shape为（3，3，3）的Tensor，argmin(a)返回的是shape为（3，3）的Tensor，默认比较的是第0维度的元素，也就是每一块对应位置的元素，例如第一块的5，第二块的1，第三块的6比较， 第二块的1最小，索引为1，所以返回的Tensor中第一个元素是1。
注意：argmin()方法在没有指定维度时，默认返回的是第0维度最小值的索引，这与reduce_min()方法不同，reduce_min()方法在没有指定维度时，返回的是整个Tensor中所有元素的最小值。
（2）argmax()：求最大值索引
a = tf.random.uniform([3,3,3],minval=1,maxval=10,dtype=tf.int32) a
<tf.Tensor: id=147, shape=(3, 3, 3), dtype=int32, numpy=
array([[[7, 4, 5],
[1, 1, 4],
[9, 1, 4]],
[[9, 4, 2],
[3, 7, 9],
[6, 5, 1]],
[[8, 5, 2],
[3, 4, 2],
[5, 1, 4]]], dtype=int32)>
tf.argmax(a,axis=0) # 第一维度，也就是每一块
<tf.Tensor: id=149, shape=(3, 3), dtype=int64, numpy=
array([[1, 2, 0],
[1, 1, 1],
[0, 1, 0]])>
tf.argmax(a,axis=2) # 第三维度，也就是每一行
<tf.Tensor: id=151, shape=(3, 3), dtype=int64, numpy=
array([[0, 2, 0],
[0, 2, 0],
[0, 1, 0]])>