IT博客汇 | [原]AI学习之路（15）: 张量不同数轴的平均值计算

[原]AI学习之路（15）: 张量不同数轴的平均值计算

caimouse发表于 2017-03-02 14:12:38

在深度学习里研究的物体的关系，都是比较复杂的。比如一个图片32X32大小的，它的像素信息就有1024个点，如果考虑RGB三种颜色，就是1024X3了。对于目前还没有办法构造140亿个神经元的计算机来说，只能干一件事情，就是简化，化繁为简。为了简化，就需要使用算法来进行，在数学上最简单的处理，就是求平均值。这个道理非常简单，如果10个数，只要把它们相加，再除以10即可。对于0维数字，可以这样来计算，如果对于N维的张量，就不是这么简单的计算了。就拿二维的矩阵来说，它可以横着算，还可以是竖着算，还可以全部加到一起，再除以总数。可见对于N维的张量来说，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，如果沿着不同的数轴进行计算，就会产生不同的作用。其实平均值也可以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：

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

沿着张量不同的数轴进行计算平均值。

参数:

input_tensor: 被计算的张量，确保为数字类型。

axis: 方向数轴，如果没有指明，默认是所有数轴都减小为1。

keep_dims: 如果定义true, 则保留维数，但数量个数为0.

name: 操作过程的名称。

reduction_indices: 为了旧函数兼容的数轴。

返回值:

降低维数的平均值。

例子：

#python 3.5.3  蔡军生  
#http://edu.csdn.net/course/detail/2592  
#

import tensorflow as tf
    
#创建张量
x = tf.Variable([[1.,2.,3.], [4.,5.,6.], [7.,8.,9.]])

#显示它的值
init_op = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init_op)
    y = tf.reduce_mean(x)
    y01 = tf.reduce_mean(x, 0, keep_dims=False)
    y02 = tf.reduce_mean(x, 0, keep_dims=True)
    y1 = tf.reduce_mean(x, 1)

    print(x.eval())
    print("tf.reduce_mean(x):", y.eval())
    print("tf.reduce_mean(x, 0, keep_dims=False):", y01.eval())
    print("tf.reduce_mean(x, 0, keep_dims=True):", y02.eval())
    print("tf.reduce_mean(x, 1):", y1.eval())

输出结果：

====================== RESTART: D:/AI/sample/tf_1.28.py ======================

[[ 1. 2. 3.]

[ 4. 5. 6.]

[ 7. 8. 9.]]

tf.reduce_mean(x): 5.0

tf.reduce_mean(x, 0, keep_dims=False): [ 4. 5. 6.]

tf.reduce_mean(x, 0, keep_dims=True): [[ 4. 5. 6.]]

tf.reduce_mean(x, 1): [ 2. 5. 8.]

>>>