張量不同數軸的平均值計算

在深度學習裡研究的物體的關係，都是比較複雜的。比如乙個32x32大小的，它的畫素資訊就有1024個點，如果考慮rgb三種顏色，就是1024x3了。對於目前還沒有辦法構造140億個神經元的計算機來說，只能幹一件事情，就是簡化，化繁為簡。為了簡化，就需要使用演算法來進行，在數學上最簡單的處理，就是求平均值。這個道理非常簡單，如果10個數，只要把它們相加，再除以10即可。對於0維數字，可以這樣來計算，如果對於n維的張量，就不是這麼簡單的計算了。就拿二維的矩陣來說，它可以橫著算，還可以是豎著算，還可以全部加到一起，再除以總數。可見對於n維的張量來說，有更多的可能，那麼就得抽像乙個數軸出來。數軸在初中的代數就學習了，可見數軸在高等數學裡也會使用到的，n維張量，就是n個數軸的表示，如果沿著不同的數軸進行計算，就會產生不同的作用。其實平均值也可以算是降維思想的一種。

在tf裡，就提供了這樣乙個演算法來計算張量的平均值：

沿著張量不同的數軸進行計算平均值。

input_tensor: 被計算的張量，確保為數字型別。

axis: 方向數軸，如果沒有指明，預設是所有數軸都減小為1。

keep_dims: 如果定義true, 則保留維數，但數量個數為0.

name: 操作過程的名稱。

reduction_indices: 為了舊函式相容的數軸。

返回值:

降低維數的平均值。

import tensorflow as tf
#建立張量  
x = tf.variable([[1., 2., 3.], [4., 5., 6.], [7., 8., 9
.]]);
#顯示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());

執行結果：

('
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))

總結：

tf.reduce_mean(x)表示計算全域性平均值；

tf.reduce_mean(x, axis=0)表示計算y軸平均值；

tf.reduce_mean(x, axis=1)表示計算x軸平均值；

張量不同數軸的平均值計算

php 平均值,PHP 根據日期值計算平均值

分組統計（平均值計算）

平均值法計算定積分

張量不同數軸的平均值計算

php 平均值,PHP 根據日期值計算平均值

分組統計（平均值計算）

平均值法計算定積分

相關推薦