TensorFlow：tf.reduce_mean(input_tensor, axis=None, keep_dims=False, name=None, reduction_indi...

转载：https://www.cnblogs.com/yuzhuwei/p/6986171.html

1.概述

在深度学习里研究的物体的关系，都是比较复杂的。好比一个图片32X32大小的，它的像素信息就有1024个点，若是考虑RGB三种颜色，就是1024X3了。对于目前尚未办法构造140亿个神经元的计算机来讲，只能干一件事情，就是简化，化繁为简。为了简化，就须要使用算法来进行，在数学上最简单的处理，就是求平均值。这个道理很是简单，若是10个数，只要把它们相加，再除以10便可。对于0维数字，能够这样来计算，若是对于N维的张量，就不是这么简单的计算了。就拿二维的矩阵来讲，它能够横着算，还能够是竖着算，还能够所有加到一块儿，再除以总数。可见对于N维的张量来讲，有更多的可能，那么就得抽像一个数轴出来。数轴在初中的代数就学习了，可见数轴在高等数学里也会使用到的，N维张量，就是N个数轴的表示，若是沿着不一样的数轴进行计算，就会产生不一样的做用。其实平均值也能够算是降维思想的一种。

在TF里，就提供了这样一个算法来计算张量的平均值：

2.tf.reduce_mean

tf.reduce_mean(input_tensor,  axis=None,  keep_dims=False,  name=None,  reduction_indices=None)

沿着张量不一样的数轴进行计算平均值。

input_tensor: 被计算的张量，确保为数字类型。

axis: 方向数轴，若是没有指明，默认是全部数轴都减少为1。

keep_dims: 若是定义true, 则保留维数，但数量个数为0.

name: 操做过程的名称。

reduction_indices: 为了旧函数兼容的数轴。

返回值:

下降维数的平均值。

3.代码实现

import tensorflow as tf #建立张量 x = tf.Variable([[1., 2., 3.], [4., 5., 6.], [7., 8., 9.]]); #显示 init = tf.global_variables_initializer(); with tf.Session() as sess: sess.run(init); #tf.reduce_mean(input_tensor, axis=None, keep_dims=False, name=None, reduction_indices=None) y = tf.reduce_mean(x); y01 = tf.reduce_mean(x, axis=0, keep_dims=False); y02 = tf.reduce_mean(x, axis=0, keep_dims=True); y1 = tf.reduce_mean(x, axis=1); print("x = ", x.eval()); print("tf.reduce_mean(x) = ", y.eval()); print("tf.reduce_mean(x, axis=0, keep_dims=False) = ", y01.eval()); print("tf.reduce_mean(x, axis=0, keep_dims=True) = ", y02.eval()) print("tf.reduce_mean(x, axis=1) = ", y1.eval());

 执行结果：

('x = ', array([[ 1., 2., 3.], [ 4., 5., 6.], [ 7., 8., 9.]], dtype=float32)) ('tf.reduce_mean(x) = ', 5.0) ('tf.reduce_mean(x, axis=0, keep_dims=False) = ', array([ 4., 5., 6.], dtype=float32)) ('tf.reduce_mean(x, axis=0, keep_dims=True) = ', array([[ 4., 5., 6.]], dtype=float32)) ('tf.reduce_mean(x, axis=1) = ', array([ 2., 5., 8.], dtype=float32))

总结：

tf.reduce_mean(x)表示计算全局平均值；

tf.reduce_mean(x, axis=0)表示计算y轴平均值；

tf.reduce_mean(x, axis=1)表示计算x轴平均值；