tensorflow中，只保留张量top k的值不变，其余值变为0，并且对剩余值进行归一化操作
比如：[0.2, 0.2, 0.4, 0.13, 0.07] ，获取top 3的值，但是保持原来向量形状，其余值设为0，结果为 [0.2, 0.2, 0.4, 0, 0]，若要用作权重，最好进行一下归一化操作，使得掩码后的向量和为1，[0.25, 0.25, 0.5, 0, 0]，这样便可以过滤掉一些不重要的信息，在计算加权和时仅仅考虑权重较大的信息
import tensorflow as tf
# python3
# 功能：tensorflow只保留张量top k的值不变，其余值变为0，并且对剩余值进行归一化（最后一维向量除以最后一维总和）
k = 3
a = tf.constant([[[5., 1., 6., 2., 3., 4.],[2.,3.,3.,4.,9.,0.]]])# a_top: top k 值， a_top_idx：对应值下标
a_top, a_top_idx = tf.nn.top_k(a, 3, sorted=False)# 获取第k大值
kth = tf.reduce_min(a_top,axis=2,keepdims=True)# 大于第k大值的为true，小于为false
top2 = tf.greater_equal(a, kth)# 映射为掩码，大于第k大值的为1，小于为0
mask= tf.cast(top2,dtype=tf.float32)# 只保留张量top k的值不变，其余值变为0
v = tf.multiply(a,mask)# 不为零的数进行归一化操作，即每个数除以该向量的和
sum = tf.reciprocal(tf.reduce_sum(v,axis=2)) # 取倒数
v = tf.transpose(v,[0,2,1])
norms = tf.transpose(tf.multiply(v,sum),[0,2,1])with tf.Session() as sess:sess.run(tf.initialize_all_variables())print("top :\n", sess.run(a_top))print("idx :\n", sess.run(a_top_idx))print(sess.run(norms))"""输出：top :[[[4. 5. 6.][3. 9. 4.]]]idx :[[[5 0 2][1 4 3]]][[[0.33333334 0. 0.40000004 0. 0. 0.26666668][0. 0.15789473 0.15789473 0.21052632 0.47368422 0. ]]]"""