TensorFlow2.1中的数据统计

1、范数tf.norm函数

计算向量、矩阵和张量的范数。

---

范数的定义：

    1、向量$x=[3,-2,1{]}^T$的欧式范数 (Euclidean norm) 为
$$||x|{|}_2=\sqrt{3^2+(-2{)}^2+1^2}=3.742$$
用于表示向量的大小，这个范数也被叫做 $l_2$-范数。

   2、为方便统一，一般将任意向量$x$的 $l_p$-范数定义为
$$||x|{|}_p=\sqrt[p]{\sum _{i=1}|x_i{|}^p}$$

   3、$l_0$-范数的定义：根据 $l_p$-范数的定义，当 $p=0$ ，我们就有了$l_0$-范数，即
$$||x|{|}_0=\sqrt[0]{\sum _{i=1}{x}_i^0}$$
表示向量$x$中非0元素的个数

   4、$l_1$-范数的定义: 根据 $l_p$-范数的定义，当$p=1$时，任意向量$x$的$l_1$-范数为
$$||x|{|}_1=\sum _i|x_i|$$
等于向量中所有元素绝对值之和。

   5、$l_2$-范数的定义: $l_2$-范数表示向量（或矩阵）的元素平方和，即
$$||x|{|}_2=\sqrt{\sum _i{x}_i^2}$$

---

用法：

tf.norm
(
    tensor,
    ord='euclidean',
    axis=None,
    keepdims=None,
    name=None
)

参数说明：

• tensor: 要计算的张量。
• ord：指定做什么样的范数计算。支持 ‘fro’, ‘euclidean’, 1, 2, np.inf还有任意正值来计算p范数。默认是euclidean范数，即对向量而言是2-范数，对矩阵而言就是计算Frobenius范数。有如下限制：1. Frobenius 范数的声明fro对向量是未定义的；2. tensor的axis大小是2，只支持’euclidean’, ‘fro’, 1, 2, np.inf 。
• axis：如果 axis 是None (the default),输入被视为一个向量，整个tensor计算出一个范数值。如果axis是一个整数，输入被视为batch的一堆向量；如果axis是二元组（2-turple）整数，则输入视为batch的一堆矩阵。支持负的索引，比如输入的tensor在运行时，可以视为一个矩阵或者一个batch的一堆矩阵，传递axis=[-2,-1]确保计算的是矩阵范数。

示例：

# 二范数
# tf.norm(a) = tf.sqrt(tf.reduce_sum(tf.square(a)))
a = tf.ones([2, 2])

tf.norm(a)
Out[50]: <tf.Tensor: shape=(), dtype=float32, numpy=2.0>

tf.sqrt(tf.reduce_sum(tf.square(a)))
Out[51]: <tf.Tensor: shape=(), dtype=float32, numpy=2.0>

a = tf.ones([4, 28, 28, 3])
tf.norm(a)
Out[53]: <tf.Tensor: shape=(), dtype=float32, numpy=96.99484>

tf.sqrt(tf.reduce_sum(tf.square(a)))
Out[54]: <tf.Tensor: shape=(), dtype=float32, numpy=96.99484>

# 一范数
b = tf.ones([2, 2])

tf.norm(b)
Out[56]: <tf.Tensor: shape=(), dtype=float32, numpy=2.0>

tf.norm(b, ord = 2, axis = 1)
Out[57]: <tf.Tensor: shape=(2,), dtype=float32, numpy=array([1.4142135, 1.4142135], dtype=float32)>

tf.norm(b, ord = 1)
Out[59]: <tf.Tensor: shape=(), dtype=float32, numpy=4.0>

tf.norm(b, ord = 1, axis = 0)
Out[60]: <tf.Tensor: shape=(2,), dtype=float32, numpy=array([2., 2.], dtype=float32)>

tf.norm(b, ord = 1, axis = 1)
Out[61]: <tf.Tensor: shape=(2,), dtype=float32, numpy=array([2., 2.], dtype=float32)>

2、求tensor的最小值tf.reduce_min()函数、最大值tf.reduce_max()函数和平均值tf.reduce_mean()函数

求最小值、最大值和平均值函数名前面加一个reduce，为了提醒这个函数会降维。

tf.reduce_min 函数的用法：

reduce_min
(
    input_tensor,
    axis=None,
    keep_dims=False,
    name=None,
    reduction_indices=None
)

参数说明：

• input_tensor：减少的张量.应该有数字类型.
• axis：要减小的尺寸.如果为None(默认),则缩小所有维度.必须在[-rank(input_tensor), rank(input_tensor))范围内.
• keep_dims：如果为true,则保留长度为1的缩小维度.
• name：操作的名称(可选).
• reduction_indices：axis的废弃的名称.

---

tf.reduce_max 函数的用法：

tf.math.reduce_max
(
    input_tensor,
    axis=None,
    keepdims=False,
    name=None
)

参数说明：

• input_tensor：要减少的张量.应该有数字类型.
• axis：要减小的尺寸.如果为 None(默认),则减少所有维度.必须在[-rank(input_tensor), rank(input_tensor))范围内.
• keep_dims：如果为true,则保留长度为1的减少维度.
• name：操作的名称(可选).
• reduction_indices：axis的废弃的名称.

---

tf.reduce_mean 函数的用法：

reduce_mean
(
    input_tensor,
    axis=None,
    keep_dims=False,
    name=None,
    reduction_indices=None
)

参数说明：

• input_tensor：要减少的张量.应该有数字类型.
• axis：要减小的尺寸.如果为 None(默认),则减少所有维度.必须在[-rank(input_tensor), rank(input_tensor))范围内.
• keep_dims：如果为true,则保留长度为1的减少维度.
• name：操作的名称(可选).
• reduction_indices：axis的废弃的名称.

---

示例如下：

a = tf.random.normal([4, 10])
tf.reduce_min(a), tf.reduce_max(a), tf.reduce_mean(a)
Out[63]:
(<tf.Tensor: shape=(), dtype=float32, numpy=-2.031565>,
 <tf.Tensor: shape=(), dtype=float32, numpy=2.3467035>,
 <tf.Tensor: shape=(), dtype=float32, numpy=0.116495416>)

tf.reduce_min(a, axis = 1), tf.reduce_max(a, axis = 1), tf.reduce_mean(a, axis = 1)
Out[64]:
(<tf.Tensor: shape=(4,), dtype=float32, numpy=array([-0.8431983, -1.1093092, -2.031565 , -0.9816355], dtype=float32)>,
 <tf.Tensor: shape=(4,), dtype=float32, numpy=array([1.3738796, 2.1961522, 1.9195427, 2.3467035], dtype=float32)>,
 <tf.Tensor: shape=(4,), dtype=float32, numpy=array([ 0.4202599 ,  0.04715918, -0.07134235,  0.0699049 ], dtype=float32)>)

3、返回最大值和最小值位置函数tf.argmax()和tf.argmin()

tf.argmax的用法：

tf.math.argmax
(
    input,
    axis=None,
    output_type=tf.dtypes.int64,
    name=None
)

在矩阵的结构中，axis可被设置为0或1，分别表示0：按列计算，1：行计算

---

tf.argmin的用法：

tf.argmin
(
    input,
    axis=None,
    output_type=tf.dtypes.int64,
    name=None
)

---

示例如下：

A=tf.constant([2,20,30,3,6])
tf.argmax(A), tf.argmin(A)
Out[66]:
(<tf.Tensor: shape=(), dtype=int64, numpy=2>,
 <tf.Tensor: shape=(), dtype=int64, numpy=0>)

B=tf.constant([[2,20,30,3,6],[3,11,16,1,8],[14,45,23,5,27]])
tf.argmax(B), tf.argmin(B)
Out[68]:
(<tf.Tensor: shape=(5,), dtype=int64, numpy=array([2, 2, 0, 2, 2], dtype=int64)>,
 <tf.Tensor: shape=(5,), dtype=int64, numpy=array([0, 1, 1, 1, 0], dtype=int64)>)

tf.argmax(B, axis = 1), tf.argmin(B, axis = 1)
Out[69]:
(<tf.Tensor: shape=(3,), dtype=int64, numpy=array([2, 2, 1], dtype=int64)>,
 <tf.Tensor: shape=(3,), dtype=int64, numpy=array([0, 3, 3], dtype=int64)>)

4、判断矩阵是否相等tf.equal函数

equal
(
    x,
    y,
    name=None
)

equal，相等的意思。顾名思义，就是判断，x, y 是不是相等，它的判断方法不是整体判断，

而是逐个元素进行判断，如果相等就是True，不相等，就是False。

由于是逐个元素判断，所以x，y 的维度要一致。

示例：

a = tf.constant([1, 2, 3, 4, 5])

b = tf.range(5)

tf.equal(a, b)
Out[74]: <tf.Tensor: shape=(5,), dtype=bool, numpy=array([False, False, False, False, False])>

res = tf.equal(a, b)

tf.reduce_sum(tf.cast(res, dtype = tf.int32))
Out[76]: <tf.Tensor: shape=(), dtype=int32, numpy=0>

5、在一维张量中找到唯一的元素tf.unique函数

用法：

tf.unique
(
    x,
    out_idx=tf.int32,
    name=None
)

在一维张量中找到唯一的元素.

该操作返回一个张量 y,该张量包含所有发生在 x 中的所有唯一的元素 x,它们按照相同的顺序排序.此操作还会返回一个与 x 具有相同大小的张量 idx,包含唯一的输出 y 中 x 的每个值的索引.也就是说：

a = tf.range(5)

tf.unique(a)
Out[78]: Unique(y=<tf.Tensor: shape=(5,), dtype=int32, numpy=array([0, 1, 2, 3, 4])>, idx=<tf.Tensor: shape=(5,), dtype=int32, numpy=array([0, 1, 2, 3, 4])>)

a = tf.constant([4, 2, 2, 4, 3])
tf.unique((a))
Out[81]: Unique(y=<tf.Tensor: shape=(3,), dtype=int32, numpy=array([4, 2, 3])>, idx=<tf.Tensor: shape=(5,), dtype=int32, numpy=array([0, 1, 1, 0, 2])>)

我们还原这个张量a：

tf.gather(tf.unique((a))[0], tf.unique((a))[1])
Out[83]: <tf.Tensor: shape=(5,), dtype=int32, numpy=array([4, 2, 2, 4, 3])>