tf.reduce_mean()

最新推荐文章于 2021-11-30 22:08:48 发布

原创最新推荐文章于 2021-11-30 22:08:48 发布 · 3.5k 阅读

4 ·

CC 4.0 BY-SA版权

文章标签：

#tf.reduce_mean()

tensorflow 专栏收录该内容

24 篇文章

订阅专栏

本文介绍了TensorFlow中的tf.reduce_mean()函数，主要用于计算张量的平均值。函数原型说明了axis参数的使用，以及keep_dims选项如何影响结果的形状。通过实例解析了如何对不同维度进行求平均操作，特别是在图像领域的应用，例如对第二和第三维度求平均。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一、函数原型

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

参数：

input_tensor:需要计算平均值的张量

axis:需要计算平均值的轴，如果为None，所有的维度都需要求平均值，当然咯，如果你给他提供参数了，这个参数值必须在[-rank(input_tensor),rank(input_tensor)之间。

keepdims:除非keep_dims是True，否则张量的秩将在axis的每个条目中减少1。如果keep_dims为True，则缩小的维度将保留为1。

name:可选，也就是操作的名字

keep_dims:keepdims弃用的化名

二、例子

（1）一般对一个维度求平均数

就拿四维的数据进行讨论，因为一般在计算机视觉的领域的数据shape都是[batch_size,height,width,channels],

import tensorflow as tf
import numpy as np
a=np.arange(24,dtype=np.float32).reshape([2,2,2,3])
a_0=tf.reduce_mean(a,[0])
a_1=tf.reduce_mean(a,[1])
a_2=tf.reduce_mean(a,[2])
a_3=tf.reduce_mean(a,[3])
with tf.Session() as sess:
    print("original")
    print(a)
    print("reduce sum at axis=0:")
    print(sess.run(a_0))
    print("reduce sum at axis=1:")
    print(sess.run(a_1))
    print("reduce sum at axis=2:")
    print(sess.run(a_2))
    print("reduce sum at axis=3:")
    print(sess.run(a_3))

结果：下面的结果可以看出axis=0的时候，是对四维数组的batch_size进行求和，也就是对高进行求和，也就是将多个样本按位求平均值，axis=1的时候是对height进行求和，拿第一个样本的第一个channel的矩阵来说[[0,3],[6,9]],也就是将（0+6）/2=3,(3+9)/2=6;其他就不一一说明了！

original
[[[[ 0.  1.  2.]
   [ 3.  4.  5.]]

  [[ 6.  7.  8.]
   [ 9. 10. 11.]]]


 [[[12. 13. 14.]
   [15. 16. 17.]]

  [[18. 19. 20.]
   [21. 22. 23.]]]]
reduce sum at axis=0:
[[[ 6.  7.  8.]
  [ 9. 10. 11.]]

 [[12. 13. 14.]
  [15. 16. 17.]]]
reduce sum at axis=1:
[[[ 3.  4.  5.]
  [ 6.  7.  8.]]

 [[15. 16. 17.]
  [18. 19. 20.]]]
reduce sum at axis=2:
[[[ 1.5  2.5  3.5]
  [ 7.5  8.5  9.5]]

 [[13.5 14.5 15.5]
  [19.5 20.5 21.5]]]
reduce sum at axis=3:
[[[ 1.  4.]
  [ 7. 10.]]

 [[13. 16.]
  [19. 22.]]]

你可以试试keepdims=True的情况，其实就是保持减少的那个维度为1，也就是假设我原本的大小为[2,2,2,3]，在axis=0的维度上进行求平均数，如果keepdims为False，那么得到的结果为[2,2,3]，如果keepdims=True，那么最后的结果为[1,2,2,3].

import tensorflow as tf
import numpy as np

a=np.arange(24,dtype=np.float32).reshape([2,2,2,3])
a_0=tf.reduce_mean(a,[0])
a_00=tf.reduce_mean(a,[0],keepdims=True)
with tf.Session() as sess:
    print("reduce sum at axis=0:keep_dims=True")
    print(sess.run(tf.shape(sess.run(a_00))))
    print("reduce sum at axis=0:keep_dims=False")
    print(sess.run(tf.shape(sess.run(a_0))))

结果：

reduce sum at axis=0:keep_dims=True
[1 2 2 3]
reduce sum at axis=0:keep_dims=False
[2 2 3]

（2）在图像领域，对第二维度和第三维度求平均数

代码：三种方式得到的结果是一致的！

import tensorflow as tf
import numpy as np

a=np.arange(24,dtype=np.float32).reshape([2,2,2,3])

a_1=tf.reduce_mean(a,[1])
a_1_1=tf.reduce_mean(a_1,[1])

a_12=tf.reduce_mean(a,[1,2])

a_1t=tf.reduce_mean(a,[1],keepdims=True)
a_1_2=tf.reduce_mean(a_1t,[2])

with tf.Session() as sess:
   print("original:")
   print(a)
   print("reduce_mean at axis=1:")
   print(sess.run(a_1))
   print("reduce mean at axis=1 first,then at axis=1:which is equal to [1,2]")
   print(sess.run(a_1_1))
   print("or reduce mean at axis=1 with keepdims=True,then at axis=2")
   print(sess.run(a_1_2))
   print("reduce_mean at axis=1 and 2")
   print(sess.run(a_12))

结果：

original:
[[[[ 0.  1.  2.]
   [ 3.  4.  5.]]

  [[ 6.  7.  8.]
   [ 9. 10. 11.]]]


 [[[12. 13. 14.]
   [15. 16. 17.]]

  [[18. 19. 20.]
   [21. 22. 23.]]]]
reduce_mean at axis=1:
[[[ 3.  4.  5.]
  [ 6.  7.  8.]]

 [[15. 16. 17.]
  [18. 19. 20.]]]
reduce mean at axis=1 first,then at axis=1:which is equal to [1,2]
[[ 4.5  5.5  6.5]
 [16.5 17.5 18.5]]
or reduce mean at axis=1 with keepdims=True,then at axis=2
[[[ 4.5  5.5  6.5]]

 [[16.5 17.5 18.5]]]
reduce_mean at axis=1 and 2
[[ 4.5  5.5  6.5]
 [16.5 17.5 18.5]]