TensorFlow进阶一（张量的范数、最值、均值、和函数、张量的比较）

⚠申明： 未经许可，禁止以任何形式转载，若要引用，请标注链接地址。 全文共计3077字，阅读大概需要3分钟
🌈更多学习内容， 欢迎👏关注👀【文末】我的个人微信公众号：不懂开发的程序猿
个人网站：https://jerry-jy.co/

TensorFlow进阶一

一、任务需求

在介绍完张量的基本操作后，我们来进一步学习张量的进阶操作，如张量的合并与分割、范数统计、张量填充、张量限幅等，本节需要完成张量的合并（包括拼接和堆叠），张量的分割、向量范数、最值、均值、和，张量的比较等功能。

二、任务目标

1、掌握张量的合并

2、掌握张量的分割

3、掌握张量的最值、均值、和函数

4、掌握张量的比较

三、任务环境

1、python3.6

2、tensorflow2.4

3、jupyter

四、任务实施过程

(三)、向量范数

12、在 TensorFlow 中，可以通过 tf.norm(x, ord)求解张量的 L1、L2、∞等范数，其中参数ord 指定为 1、2 时计算 L1、L2 范数，指定为 np.inf 时计算∞ −范数

x = tf.ones([2,2])
tf.norm(x,ord=1) #计算L1范数

tf.norm(x,ord=2) #计算L2范数

<tf.Tensor: shape=(), dtype=float32, numpy=2.0>

import numpy as np
tf.norm(x,ord=np.inf) # 计算∞范数

(四)、最值、均值、和

13、考虑 shape 为[4,10]的张量，其中，第一个维度代表样本数量，第二个维度代表了当前样本分别属于10个类别的概率，需要求出每个样本的概率最大值，可以通过tf.reduce_max 函数实现

x = tf.random.normal([4,10]) # 模型生成概率
tf.reduce_max(x,axis=1) # 统计概率维度上的最大值

<tf.Tensor: shape=(4,), dtype=float32, numpy=array([1.8075018, 1.8042752, 1.0641811, 1.9087783], dtype=float32)>

14、返回长度为 4 的向量，分别代表了每个样本的最大概率值。同样求出每个样本概率的最小值

tf.reduce_min(x,axis=1)

<tf.Tensor: shape=(4,), dtype=float32, numpy=array([-0.4287228, -0.5215661, -1.9173664, -1.5540869], dtype=float32)>

15、求出每个样本的概率的均值

tf.reduce_mean(x,axis=1)

<tf.Tensor: shape=(4,), dtype=float32, numpy=array([ 0.4275422 , 0.2606017 , -0.19171332, 0.38828874], dtype=float32)>

16、当不指定 axis 参数时，tf.reduce_*函数会求解出全局元素的最大、最小、均值、和等数据。

x = tf.random.normal([4,10])
tf.reduce_max(x),tf.reduce_min(x),tf.reduce_mean(x)    

17、在求解误差函数时，通过 TensorFlow 的 MSE 误差函数可以求得每个样本的误差，需要计算样本的平均误差，此时可以通过 tf.reduce_mean 在样本数维度上计算均值

out = tf.random.normal([