关于numpy mean函数和var函数用法

1.1对于二维矩阵

---

首先官网里有写：
numpy.mean(a, axis=None, dtype=None, out=None, keepdims= )
Compute the arithmetic mean along the specified axis.

axis : None or int or tuple of ints, optional
Axis or axes along which the means are computed. The default is to compute the mean of the flattened array.

       这里就说明axis值为整数或者元组（类似于（0,1,2））这种。
对于二维的矩阵，axis只有0,1两个参数，其中axis=0为按列求平均，axis=1为按行求平均，不给出axis不是默认axis为0，而是把所有元素加起来求平均.
       在这里引用博客里最多的一句话，axis等于几，就理解成对那一维值进行压缩，如一个3×2的矩阵，axis=0，则输出为1*2的向量，对列进行操作。同理对4维tensor如[128,28,28,3] 设置axis=（0,1,2）输出为[1，1,1,3]沿着最后一个维度取平均。

import numpy as np
X = np.array([[1, 2], [3, 4], [5, 6]])
print np.mean(X, axis=0, keepdims=True)
print np.mean(X, axis=1, keepdims=True)
print np.mean(X)

运行结果如下

[[ 3.  4.]]

[[ 1.5]
 [ 3.5]
 [ 5.5]]

3.5

方差同理：

import numpy as np
X = np.array([[1, 2], [3, 4], [5, 6]])
print np.var(X, axis=0, keepdims=True)
print np.var(X, axis=1, keepdims=True)
print np.var(X)

运行结果如下：

[[ 2.66666667  2.66666667]]
[[ 0.25]
 [ 0.25]
 [ 0.25]]
2.91666666667

应该注意的是方差的特殊性，对行和列求的的方差进行平均不等于整体数据的方差，用np.var要搞清楚所求的到底是什么？

import numpy as np
X = np.array([[1, 4], [3, 8], [5, 9]])
print np.var(X, axis=0, keepdims=True)
print np.var(X, axis=1, keepdims=True)
print np.var(X)
print np.mean(np.var(X, axis=0))
print np.mean(np.var(X, axis=1))

运行结果如下：

[[ 2.66666667  4.66666667]]
[[ 2.25]
 [ 6.25]
 [ 4.  ]]
7.66666666667
3.66666666667
4.16666666667

1.2对于四维张量

---

接下来就到numpy对4维tensor的处理了，先跳到tensorflow里来，下次来对比tf.reduce_mean,numpy.mean,tf.nn.moments（BN中用到的）这三个求均值结果是否一样。