tf.reduce_mean()函数解析（最清晰的解释）

最近学习中碰到了以前学过的tf.placeholder()函数，特此记录。

tf.reduce_mean()函数用于计算张量tensor沿着指定的数轴（tensor的某一维度）上的平均值，主要用作降维或者计算tensor（图像）的平均值。

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

参数：

• input_tensor： 输入的待降维的tensor
• axis： 指定的轴，如果不指定，则计算所有元素的均值
• keep_dims：是否降维度，默认False。设置为True，输出的结果保持输入tensor的形状，设置为False，输出结果会降低维度
• name： 操作的名称
• reduction_indices：在以前版本中用来指定轴，已弃用

例子1：

import tensorflow as tf

x = [[1,2,3],
     [4,5,6]]
y = tf.cast(x, tf.float32)

mean_all = tf.reduce_mean(y)
mean_0 = tf.reduce_mean(y, axis=0)
mean_1 = tf.reduce_mean(y, axis=1)

with tf.Session() as sess:
    m_a,m_0,m_1 = sess.run([mean_all, mean_0, mean_1])
 
print(m_a)
print(m_0)
print(m_1)

> 3.5
> [2.5 3.5 4.5]
> [2. 5.]

例子2：

import tensorflow as tf

x = [[1,2,3],
     [4,5,6]]
y = tf.cast(x, tf.float32)

mean_all = tf.reduce_mean(y, keep_dims=True)
mean_0 = tf.reduce_mean(y, axis=0, keep_dims=True)
mean_1 = tf.reduce_mean(y, axis=1, keep_dims=True)

with tf.Session() as sess:
    m_a,m_0,m_1 = sess.run([mean_all, mean_0, mean_1])
 
print(m_a)
print(m_0)
print(m_1)

> [[3.5]]
> [[2.5 3.5 4.5]]
> [[2.]
   [5.]]

如果要设置保持原来的张量的维度，那么keep_dims=True。

类似函数还有:

• tf.reduce_sum ：计算tensor指定轴方向上的所有元素的累加和;
• tf.reduce_max : 计算tensor指定轴方向上的各个元素的最大值;
• tf.reduce_all : 计算tensor指定轴方向上的各个元素的逻辑和（and运算）;
• tf.reduce_any: 计算tensor指定轴方向上的各个元素的逻辑或（or运算）;