tensorflow 函数的含义

tensorflow 函数的含义

1. x_mean = tf.reduce_mean(input, axis=(1, 2), keepdims=True)
   reduce_mean(input_tensor,
   axis=None,
   keep_dims=False,
   name=None,
   reduction_indices=None)
   第一个参数input_tensor： 输入的待降维的tensor;
   第二个参数axis： 指定的轴，如果不指定，则计算所有维度的均值;如果提供参数，参数值必须在[-rank(input_tensor),rank(input_tensor)之间，比如是一个二维的矩阵，则参数值就是从[-2,2]
   第三个参数keep_dims：是否降维度，设置为True，输出的结果保持输入tensor的形状，设置为False，输出结果会比之前的参数降低1个维度;
   第四个参数name： 操作的名称;是一个可选的参数
   第五个参数 reduction_indices：在以前版本中用来指定轴，已弃用;
   import tensorflow as tf

   x = [[1,2,3],
   [1,2,3]]

   xx = tf.cast(x,tf.float32)

   mean_all = tf.reduce_mean(xx, keep_dims=False) 行和列都同时进行运行（1+1+2+2+3+3）/6=2

   mean_0 = tf.reduce_mean(xx, axis=0, keep_dims=False) 列即矩阵的高进行运算（1+1）/2=1,（2+2）/2=2,(3+3)/2=3

   mean_1 = tf.reduce_mean(xx, axis=1, keep_dims=False) 行即矩阵的宽进行运算（1+2+3）/3=2,(1+2+3)/3=2

   with tf.Session() as sess:
   m_a,m_0,m_1 = sess.run([mean_all, mean_0, mean_1])

   由于 keep_dims=False，所以原先由二维矩阵变为一维向量
   print m_a # output: 2.0
   print m_0 # output: [ 1. 2. 3.]
   print m_1 #output: [ 2. 2.]

如果设置保持原来的张量的维度，keep_dims=True ，结果
print m_a # output: [[ 2.]]
print m_0 # output: [[ 1. 2. 3.]]
print m_1 #output: [[ 2.], [ 2.]]

类似函数还有:

tf.reduce_sum ：计算tensor指定轴方向上的所有元素的累加和;
tf.reduce_max  :  计算tensor指定轴方向上的各个元素的最大值;
tf.reduce_all :  计算tensor指定轴方向上的各个元素的逻辑和（and运算）;
tf.reduce_any:  计算tensor指定轴方向上的各个元素的逻辑或（or运算）;