tensorflow2.x：数据统计

一、范数概念

L1范数：定义为向量所有元素绝对值之和：

L2范数：定义为向量所有元素的平方和再开根号：

∞ −范数：定义为向量x的所有元素绝对值的最大值：

对于矩阵、张量，同样可以利用向量范数的计算公式，等价于将矩阵、张量打平成向量后计算。

"""
范数
tf.norm(x, ord, axis)
ord 指定为 1、 2 时计算 L1、 L2 范数，指定为 np.inf 时计算∞范数
axis:axis=0表示对矩阵的每一列求范数，axis=1表示对矩阵的每一行求范数
L1范数：定义为向量𝒙的所有元素绝对值之和
L2范数：定义为向量𝒙的所有元素的平方和，再开根号
∞ （无穷大）范数，定义为向量𝒙的所有元素绝对值的最大值
"""
x = tf.ones([2,2])
print(tf.norm(x, ord=1, axis=0))
print(tf.norm(x,ord=1))# 计算L1范数
print(tf.norm(x,ord=2))# 计算L2范数
print(tf.norm(x,ord=3))# 计算L3范数
print(tf.norm(x,ord=np.inf))# 计算∞范数

二、最大最小值、均值、求和

tf.reduce_max(x, axis), tf.reduce_min(x, axis), tf.reduce_mean(x, axis), tf.reduce_sum(x, axis) 可以求解张量在某个维度上的最大、最小、均值、和，也可以求全局最大、最小、均值、和。

axis:在axis上维度进行的操作，例如，axis=0表示在第0维度（列）上进行求最值；axis=1表示在第1维度（行）上进行求最值
当axis为空时，tf.reduce_*函数会求解出全局元素的最大、最小、均值、和

# 创建一个张量
x = tf.random.normal([4,5])
# print(x)
# # 统计概率维度上的最大值
max = tf.reduce_max(x,axis=0)
# # 统计概率维度上的最小值
min = tf.reduce_min(x,axis=1)
# 统计概率维度上的均值
mean = tf.reduce_mean(x,axis=1)
# # 统计概率维度上的和
sum = tf.reduce_sum(x,axis=1)

三、获得最值所在的索引号

通过tf.argmax(x, axis)
         tf.argmin(x, axis) 可以分别求出在 axis 轴上，x 的最大值、最小值所在的索引号

x = tf.random.normal([4,5])
maxIndex = tf.argmax(x,axis=0)

四、张量比较

作用：计算分类任务的准确率等指标，一般需要将预测结果和真实标签比较，统计比较结果中正确的数量来就是计算准确率

通过tf.equal(a, b)完成张量之间的对比操作

a = tf.constant([1, 2, 3, 2, 5])
b = tf.range(5)
equal = tf.equal(a, b)
print("b:",b)
print("equal:", equal)

tf.equal()函数返回布尔型的张量之间比较的结果，之后只需要统计张量中 True 元素的个数，即可知道预测正确的个数。
为了达到这个目的，我们先将布尔型转换为整型张量，再求和其中 1 的个数，可以得到比较结果中 True 元素的个数

# boolean型转为int型
result = tf.cast(equal, dtype=tf.int32)
#统计True的个数
correct = tf.reduce_sum(result)
print("correct:", correct)
#计算准确率accuracy, 公式：结果为true的个数/样本个数
accuracy = correct / result.shape[0]

五、去重与还原

tf.unique(tensor) 去除重复
tf.gather(tensor, idx) 还原

a = tf.constant([4,2,2,1,4,0])
unique_tensor, idx = tf.unique(a)
print("unique_tensor:", unique_tensor)
print("idx:", idx)

origin_a = tf.gather(unique_tensor, idx)
print("origin_a:", origin_a)