用python中list/tuple理解,仅仅是从内存角度理解一个序列数据,而非数学中标量,向量和张量。
从python内存角度理解,就是一个数值,长度为1,并且不是一个序列;
从numpy与tensorflow数学角度理解,就是一个标量,shape为(),其轴为0;
[1,2,3,4,5,6]
从python内存角度理解,就是1*6或者长度为6的一个序列;
从numpy与tensorflow数学角度理解,就是一维向量,并且是列向量,shape为(6,),其轴为1;注:一维向量,列向量,其轴为1,轴下标为0,表示第一个轴;
[[1,2,3], [4,5,6]]
从python内存角度理解,就是一个二维数组2*3,2列3行;注意:不管python还是numpy/tensorflow都是列在前,即一个向量默认为列向量;
从numpy/tensorflow数学角度理解,就是一个二维张量,shape为(2,3),其轴为2;注:二维向量,第一个轴为列,下标为0,第二个轴为行,下标为1;
import os, sys
import numpy
import tensorflow as tf
'''
求最大值tf.reduce_max(input_tensor, reduction_indices=None, keep_dims=False, name=None)
求平均值tf.reduce_mean(input_tensor, reduction_indices=None, keep_dims=False, name=None)
参数(1)input_tensor:待求值的tensor。
参数(2)reduction_indices:在哪一维上求解。
参数(3)(4)可忽略
'''
a = [[1, 2, 3],
[4, 5, 6]]
b = tf.Variable(a, dtype=tf.float32)
init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)
d1 = tf.reduce_mean(b) #表示对矩阵所有元素进行均值;
#3.5
d2 = tf.reduce_mean(b, 0) #表示对矩阵进行第一个轴(列)方向上的投影,即每一行上的均值;
#[2.5 3.5 4.5]
d3 = tf.reduce_mean(b, 1) #表示对矩阵进行第二个轴(行)方向上的投影,即每一列的均值;
#[2. 5.]
#同理tf.reduce_max()一样
'''
[b, b[i,:], b[:, i]]
b[i,:]: 表示b矩阵第一个轴(列),第i列对应所有元素;
b[:,i]: 表示b矩阵第二个轴(行),第i行对应所有元素;
'''
sess.run([b, b[0, :], b[:, 0]])
print(sess.run(d1))
print(sess.run(d2))
print(sess.run(d3))