tensorflow语法笔记

1、如何理解 tf.reduce_max或者 tf.reduce_mean中对Tensor和高维矩阵的坐标轴axis的选择的操作

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

x = tf.constant([[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.]

　　从上计算结果中也可以看到，如果axis为None，默认将所有的维度都降1，最后剩下个0维的数子。

　　一个不是很简单，但是很好理解的方法是：你的输入矩阵的shape是(2,3,4)，那么当axis=0时，就是在第一个dimension上进行求均值，最后得到的结果的shape就是去掉第一个dimension后的shape，也就是(3，4)。所以，我们例子中的x是shape为（2,2），axis=0时，剩下第二个维度--列，所以沿着第一个维度方向上--行对所有列求均值。

tensorflow语法笔记

原文：https://www.cnblogs.com/zongfa/p/9531540.html