tf.reduce_mean()维度变化

不少博文解释过这个函数，但是对axis=0表示行还是列说的很费解。

本文以3维张量为例来补充解释，详细看看输入输出张量维度的变化。代码如下：

import tensorflow as tf

x = [[[1, 2, 3], [4, 5, 6]]]
y = tf.cast(x, tf.float32)
ym = tf.reduce_mean(y)
ym0 = tf.reduce_mean(y, axis=0)
ym1 = tf.reduce_mean(y, axis=1)
ym2 = tf.reduce_mean(y, axis=2)
print("y的维度为", y.shape)
print("tf.reduce_mean(y)的维度为", ym.shape)
print("tf.reduce_mean(y, axis=0)的维度为", ym0.shape)
print("tf.reduce_mean(y, axis=1)的维度为", ym1.shape)
print("tf.reduce_mean(y, axis=2)的维度为", ym2.shape)

输出结果为:

y的维度为 (1, 2, 3)
tf.reduce_mean(y)的维度为 ()
tf.reduce_mean(y, axis=0)的维度为 (2, 3)
tf.reduce_mean(y, axis=1)的维度为 (1, 3)
tf.reduce_mean(y, axis=2)的维度为 (1, 2)

y是3维张量，3个维数为dim0=1，dim1=2，dim2=3。

tf.reduce_mean(y)是对所有数求平均，结果为0维张量，即一个数。

tf.reduce_mean(y, axis=0)在0维上求平均，结果为（dim1=2，dim2=3）维。

tf.reduce_mean(y, axis=1)在1维上求平均，结果为（dim0=1，dim2=3）维。

tf.reduce_mean(y, axis=2)在2维上求平均，结果为（dim0=1，dim1=2）维。

明确了张量维度的变化，就不用纠结是行还是列了，况且行列的概念只适用于2维。