目录

输入参数

tf.reduce_all   在boolean张量的维度上计算元素的 "逻辑和"

tf.reduce_any 在boolean张量的维度上计算元素的 "逻辑或"

tf.reduce_max 计算张量的各个维度上元素的最大值

tf.reduce_min  计算张量的各个维度上元素的最小值

tf.reduce_mean 计算张量的各个维度上的元素的平均值

tf.reduce_sum 计算张量的各个维度上元素的总和

tf.reduce_prod 计算张量的各个维度上元素的乘积

tf.reduce_logsumexp 计算log（sum（exp（张量的各维数的元素）））

tf.reduce_join 在给定的维度上加入一个字符串张量

---

输入参数

1. tf.reduce_all/reduce_any/reduce_max/reduce_min/reduce_mean/reduce_sum/reduce_prod/reduce_logsumexp(
2. input_tensor,
3. axis=None,
4. keepdims=None,
5. name=None,
6. reduction_indices=None,
7. keep_dims=None
8. )

• input_tensor：输入的张量。
• axis：要操作的维度，如果为None（默认），则操作所有维度。必须在范围[-rank(input_tensor), rank(input_tensor))内。
• keepdims：如果为 true，则保留长度为1的缩小维度。
• name：操作的名称（可选）。
• reduction_indices：参数axis的已弃用的别名名称。（为了兼容性）
• keep_dims：参数keepdims的已弃用的别名名称。（为了兼容性）

tf.reduce_all   在boolean张量的维度上计算元素的 "逻辑和"

按照axis给定的维度减少input_tensor (boolean Tensor) 。除非keepdims为 true，否则张量的秩将在轴的每个条目中减少1。如果keep_dims为 true，则减小的维度将保留为长度1。

如果axis=None，则会减少所有维度，并返回具有单个元素的张量。

1. x = tf.constant([[True, True], [False, False]])
2. tf.reduce_all(x) # False
3. tf.reduce_all(x, 0) # [False, False]
4. tf.reduce_all(x, 1) # [True, False]

tf.reduce_any 在boolean张量的维度上计算元素的 "逻辑或"

1. x = tf.constant([[True,  True], [False, False]])
2. tf.reduce_any(x)  # True
3. tf.reduce_any(x, 0)  # [True, True]
4. tf.reduce_any(x, 1)  # [True, False]

tf.reduce_max 计算张量的各个维度上元素的最大值

1. x = tf.constant([[1, 2, 3], [4, 5, 6]])
2. tf.reduce_max(x) # 6
3. tf.reduce_max(x, 0) # [4, 5, 6]
4. tf.reduce_max(x, 1) # [3, 6]
5. tf.reduce_max(x, 1, keepdims=True) # [[3],
6. # [6]]
7. tf.reduce_max(x, [0, 1]) # 6

tf.reduce_min  计算张量的各个维度上元素的最小值

1. x = tf.constant([[1, 2, 3], [4, 5, 6]])
2. tf.reduce_min(x) # 1
3. tf.reduce_min(x, 0) # [1, 2, 3]
4. tf.reduce_min(x, 1) # [1, 4]
5. tf.reduce_min(x, 1, keepdims=True) # [[1],
6. # [4]]
7. tf.reduce_min(x, [0, 1]) # 1

tf.reduce_mean 计算张量的各个维度上的元素的平均值

1. x = tf.constant([[1., 2., 3], [4., 5., 6.]])
2. tf.reduce_mean(x) # 3.5
3. tf.reduce_mean(x, 0) # [2.5, 3.5, 4.5]
4. tf.reduce_mean(x, 1) # [2., 5.]
5. tf.reduce_mean(x, 1, keepdims=True) # [[2.],
6. # [5.]]
7. tf.reduce_mean(x, [0, 1]) # 3.5

要注意数据类型的兼容性

1. x = tf.constant([1, 0, 1, 0])
2. tf.reduce_mean(x) # 0
3. y = tf.constant([1., 0., 1., 0.])
4. tf.reduce_mean(y) # 0.5

tf.reduce_sum 计算张量的各个维度上元素的总和

1. x = tf.constant([[1, 2, 3], [4, 5, 6]])
2. tf.reduce_sum(x)  # 21
3. tf.reduce_sum(x, 0)  # [5, 7, 9]
4. tf.reduce_sum(x, 1)  # [6, 15]
5. tf.reduce_sum(x, 1, keepdims=True)  # [[ 6],
6. # [15]]
7. tf.reduce_sum(x, [0, 1])  # 21

tf.reduce_prod 计算张量的各个维度上元素的乘积

1. x = tf.constant([[1, 2, 3], [4, 5, 6]])
2. tf.reduce_prod(x) # 720
3. tf.reduce_prod(x, 0) # [4, 10, 18]
4. tf.reduce_prod(x, 1) # [6, 120]
5. tf.reduce_prod(x, 1, keepdims=True) # [[ 6],
6. # [120]]
7. tf.reduce_prod(x, [0, 1]) # 720

tf.reduce_logsumexp 计算log（sum（exp（张量的各维数的元素）））

1. x = tf.constant([[0., 0., 0.], [0., 0., 0.]])
2. tf.reduce_logsumexp(x)  # log(6)
3. tf.reduce_logsumexp(x, 0)  # [log(2), log(2), log(2)]
4. tf.reduce_logsumexp(x, 1)  # [log(3), log(3)]
5. tf.reduce_logsumexp(x, 1, keepdims=True)  # [[log(3)], [log(3)]]
6. tf.reduce_logsumexp(x, [0, 1])  # log(6)

这个函数在数值上比 更稳定。它避免了大量输入的 exp 引起的溢出和小输入日志带来的下溢。

tf.reduce_join 在给定的维度上加入一个字符串张量

在具有给定形状的 字符串张量中计算跨维度的字符串连接。返回一个新的Tensor，它由输入字符串与给定的分隔符separator(默认:空字符串)连接创建的。axis为负则从末端向后数，-1相当于n - 1。

• separator：可选的string。默认为""。加入时要使用的分隔符。

tensorflow reduce系列函数(tf.reduce_mean, tf.reduce_sum, tf.reduce_prod, tf.reduce_max, tf.reduce_min)相关推荐

1. 对tf.reduce_mean API的理解就是求平均值，reduce指的是一串数据求平均值后维数降低了，可不是吗，一串向量变成了一个数，维数自然降低了

   tf.math.reduce_mean(input_tensor, axis=None, keepdims=False, name=None ) 对tf.reduce_mean的理解就是求平均值,re ...

2. tensorflow的tf.reduce_mean函数

   tf.reduce_mean函数的作用是求平均值.第一个参数是一个集合,可以是列表.二维数组和多维数组.第二个参数指定在哪个维度上面求平均值.默认对所有的元素求平均.tf.reduce_mean 比如 ...

3. tensorflow学习之常用函数总结：tensorflow官方例子中的诸如tf.reduce_mean()这类函数

   前言 tensorflow官网给的例子用到了很多函数,然后并没有具体说明,还要自己去翻文档,有些函数是很常用的,下面来一一总结. 正文 一,tensorflow中有一类在tensor的某一维度上求值的 ...

4. tensorflow常用数据函数总结(tf.tile()、tf.expand_dims())

   tf.tile() tensorflow中的tile()函数是用来对张量(Tensor)进行扩展的,其特点是对当前张量内的数据进行一定规则的复制.最终的输出张量维度不变.也就是说tile可以某一维度的 ...

5. tf.segment_xxx系列函数测试

   先看一段百度的上搜索到的结果: TensorFlow提供了一些操作,你可以使用基本的算术运算来分割输入的tensor.这里的分割操作是沿着第一个维度的一个分区,等价于这里定义了一个从第一个维度到第se ...

6. 深度学习框架tensorflow学习与应用6（防止过拟合dropout，keep_prob =tf.placeholder(tf.float32)）

   import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data# In[3]:# 载入数据集 mn ...

7. tf.reduce_mean()

   版权声明:本文为博主原创文章,欢迎大家交流    https://blog.csdn.net/he_min/article/details/78694383 在tensorflow中经常见到reduc ...

8. tf.reduce_mean

   tf.reduce_mean(x) ==> 2.5 #如果不指定第二个参数,那么就在所有的元素中取平均值 tf.reduce_mean(x, 0) ==> [2., 3.] #指定第二个参 ...

9. TensorFlow 辨异 —— tf.add(a, b) 与 a+b（tf.assign 与 =）、tf.nn.bias_add 与 tf.add

   1. tf.add(a, b) 与 a+b 在神经网络前向传播的过程中,经常可见如下两种形式的代码: tf.add(tf.matmul(x, w), b) tf.matmul(x, w) + b 简而 ...

最新文章

1. 来自程序员的福利！用Python做一款翻译软件
2. Swift: 可变参数
3. sata接口_固态硬盘应该怎么选？是SATA接口还是M.2接口好
4. 《那些年啊，那些事——一个程序员的奋斗史》——111
5. linux共享内存与信号量的使用
6. Newton Method in Maching Learning
7. windows下的_mkdir函数
8. Java消息服务思维导图笔记
9. python并发处理机制_Python并发编程—同步互斥
10. 三度其三——矢量场的旋度
11. next数组_数据结构之数组与链表
12. html静态网页实例一（附完整代码）
13. 在微型计算机汉字系统中一个汉字机内码,一个汉字的机内码在计算机中用2个字节表示。...
14. 画出清明上河图的代码_【高清】清明上河图（代码）
15. 论文浏览(45) MiCT: Mixed 3D/2D Convolutional Tube for Human Action Recognition
16. 计算机毕设（附源码）JAVA-SSM京津冀畅游网设计
17. c语言预处理命令12个,C语言编译预处理和预处理命令
18. Vuforia下载详解
19. 华为支付购买token的verify接口报错Token is expired or invalid
20. Revers root

热门文章

1. hbase分页查询实现
2. ISE_FIFO_IP核接口测试(一）
3. ue html乱码,UE UTF8 乱码
4. 邮件怎发送HTML,请问怎么发送HTML电子邮件
5. add函数python怎么用_Python add()函数是如何使用呢？
6. Linux+Apache+PHP+MySQL服务器环境(CentOS篇)
7. JAVA读取EMF文件并转化为PNG,JPG,GIF格式
8. TThread类详解转
9. LeetCode简单题目(#27 #28 #35 #38)-2019.10.23-4道
10. python 柱状图设置样式_python数据可视化之图表样式调整(三)