python中map()和reduce()函数的区别

python中map（）和reduce的区别

问题来源

在使用深度学习(dl)框架时，使用函数tf.reduce_mean()后，产生了疑问，为了弄清楚其具体的意义，查找了一些资料。这里我用更直白的方式向大家解释一下python中map()和reduce()的用法和区别。

map()和reduce()的区别

一句话

map()是对一个向量/矩阵中每个元素同时进行某一操作返回值与原向量维度相同；
reduce()是对向量/矩阵一个序列中的元素依次进行某一操作，返回一个数值。

实例

map()

a = [2,4,6,8]
print map(lambda x:2*x, a)

结果为：[4, 8, 12, 16]
map()函数的操作，是对向量a中的每个元素，都做$2*x$的操作。

reduce()

a = [1,2,3,4]
print reduce(lambda x,y:x+y,a)

结果为：20
reduce()函数的操作，从第一个元素开始，将每个元素累加。换句话说，
step1:第一个元素与第二个元素相加：$2+4$ 得到$6$
step2:step1结果和第三个元素相加：$6+6$ 得到$12$
step3:step2结果和第四个元素相加：$12+8$ 得到$20$

拓展

tf.reduce_mean()

这是tensorflow官方文档tf.reduce_mean()函数的说明

reduce_mean(input_tensor,reduction_indices=None,keep_dims=False, name=None)
input_tensor: The tensor to reduce. Should have numeric type.
reduction_indices: The dimensions to reduce. If None (the defaut), reduces all dimensions.
# x is [[1., 1. ]]
# [2., 2.]]
tf.reduce_mean(x) ==> 1.5
tf.reduce_mean(x, 0) ==> [1.5, 1.5]
tf.reduce_mean(x, 1) ==> [1., 2.]

input_tensor是输入的张量。
redunction_indices进行求平均操作的维度，默认为对张量中所有元素求平均

因此不指定参数时，输出值为$1.5$；

指定indice为0时，对每一列中的所有元素求平均，输出结果为$[1.5,1.5]$；

指定indice为1时，对每一行中的所有元素求平均，输出结果为$[1.,2.]$