TensorFlow-api(1)

TensorFlow-api(1)：tf.reduce_mean()这类函数

在tensor的某一维度上，有一类求值的函数，如tf.reduce_max( )，tf.reduce_mean( )，tf.reduce_sum( )

tf.reduce_mean( )

  • 函数作用：

沿着tensor的某一维度，计算元素的平均值。由于输出tensor的维度比原tensor的低，这类操作也叫降维。

  • 参数：

    • reduce_mean(input_tensor,axis=None,keep_dims=False,name=None, reduction_indices=None)
    • input_tensor：需要降维的tensor。
    • axis：axis=none, 求全部元素的平均值；axis=0, 按列降维，求每列平均值；axis=1，按行降维，求每行平均值。
    • keep_dims：若值为True，可多行输出平均值。
    • name：自定义操作的名称。
    • reduction_indices：axis的旧名，已停用。

  • 返回：

降维后的tensor

  • 例子：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
import tensorflow as tf
x = tf.constant([[1., 2., 3.], [4., 5., 6.]])
with tf.Session() as sess:
    x = sess.run(x)
    mean1 = sess.run(tf.reduce_mean(x))
    mean2 = sess.run(tf.reduce_mean(x, 0))
    mean3 = sess.run(tf.reduce_mean(x, 1))
    print(x)
    print()
    print(mean1)
    print()
    print(mean2)
    print()
    print(mean3)

输出

1
2
3
4
5
6
7
8
[[ 1.  2.  3.]
 [ 4.  5.  6.]]
3.5
[ 2.5  3.5  4.5]
[ 2.  5.]

tf.reduce_sum( )

  • 函数作用：

沿着tensor的某一维度，计算元素的和。由于输出tensor的维度比原tensor的低，这类操作也叫降维。

  • 参数:

    • reduce_sum(input_tensor, axis=None,keep_dims=False, name=None, reduction_indices=None)
    • input_tensor：需要降维的tensor。
    • axis：axis=none, 求全部元素的和；axis=0, 按列降维，求每列元素的和；axis=1，按行降维，求每行元素的和。
    • keep_dims：若值为True，则用长度为1的tensor形式，输出平均值。
    • name：自定义操作的名称。
    • reduction_indices：axis的旧名，已停用。

  • 返回：

降维后的tensor

  • 例子：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
import tensorflow as tf
x = tf.constant([[1, 1, 1], [1, 1, 1]])                    
# axis = none
reduce_sum = tf.reduce_sum(x)                               
# axis = 0
reduce_sum_axis0 = tf.reduce_sum(x, axis = 0)                
resuce_sum_axis0_axis0 = tf.reduce_sum(reduce_sum_axis0)
# axis = 1
reduce_sum_axis1 = tf.reduce_sum(x, 1)
reduce_sum_axis1_axis0 = tf.reduce_sum(reduce_sum_axis1, 0)
# axis = [0, 1] or axis = [1, 0] 
reduce_sum_axis_01 = tf.reduce_sum(x, [0, 1])
reduce_sum_axis_10 = tf.reduce_sum(x, [1, 0])
# 构建session
with tf.Session() as sess:
    # 运行op定义的运算
    x = sess.run(x)
    result = sess.run(reduce_sum)
    result_0 = sess.run(reduce_sum_axis0)
    result_0_0 = sess.run(resuce_sum_axis0_axis0) 
    result_1 = sess.run(reduce_sum_axis1)
    result_1_0 = sess.run(reduce_sum_axis1_axis0)
    result_01 = sess.run(reduce_sum_axis_01)
    result_10 = sess.run(reduce_sum_axis_10)
    # 输出运算结果
    print(x)
    print()
    print('shape of input_tensor x')
    print(type(x))
    print()
    print('不传入参数axis，默认x reduce到0维')
    print('result =', result)
    print()
    print('传入参数axis = 0')
    print('result_0 =', result_0)
    print()
    print('把 %s 沿0轴，再次reduce' % str(result_0))    
    print('result_0_0 =', result_0_0)
    print()
    print('传入参数axis = 1')
    print('result_1 =', result_1)
    print()
    print('把 %s 沿0轴，再次reduce' % str(result_1))
    print('result_1_0 =', result_1_0)
    print()
    print('输入参数axis = [0, 1]')
    print('result_01 =', result_01)
    print()
    print('输入参数axis = [1, 0]')
    print('result_10 =', result_10)

输出

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
[[ 1.  1.  1.]
 [ 1.  1.  1.]]
shape of input_tensor x
<class 'numpy.ndarray'>
不传入参数axis，默认x reduce到0维
result = 6.0
传入参数axis = 0
result_0 = [ 2.  2.  2.]
把 [ 2.  2.  2.] 沿0轴，再次reduce
result_0_0 = 6.0
传入参数axis = 1
result_1 = [ 3.  3.]
把 [ 3.  3.] 沿0轴，再次reduce
result_1_0 = 6.0
输入参数axis = [0, 1]
result_01 = 6.0
输入参数axis = [1, 0]
result_10 = 6.0

tf.reduce_max( )

  • 函数作用：

沿着tensor的某一维度，计算元素的最大值。

  • 参数：

同以上函数

  • 返回：

降维后的tensor

tf.reduce_min( )

  • 函数作用：

沿着tensor的某一维度，计算元素的最小值。

  • 参数：

同以上函数

  • 返回：

降维后的tensor

tf.reduce_prod( )

  • 函数作用：

沿着tensor的某一维度，计算输入tensor元素的乘积。

  • 参数：

同以上函数

  • 返回：

降维后的tensor

tf.reduce_all( )

  • 函数作用：

对tensor中各个元素求逻辑‘与’。

  • 参数：

同以上函数

  • 返回：

降维后的tensor

tf.reduce_any( )

  • 函数作用：

对tensor中各个元素求逻辑‘或’。

  • 参数：

同以上函数

  • 返回：

降维后的tensor

Recommended Posts