python - np.mean 和 tf.reduce_mean 有什么区别？

Question

在 MNIST beginner tutorial 中，有语句

accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))

tf.cast 基本上改变了对象的张量类型，但是 tf.reduce_mean 和 np.mean 有什么区别呢？

这是 tf.reduce_mean 上的文档:

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.]

对于一维向量，它看起来像 np.mean == tf.reduce_mean，但我不明白 tf.reduce_mean(x, 1) ==> 中发生了什么[1., 2.]。 tf.reduce_mean(x, 0) ==> [1.5, 1.5] 有点意思，因为 [1, 2] 和 [1, 2] 是 [1.5, 1.5]，但是 tf.reduce_mean(x, 1) 是怎么回事？

Answer 1

numpy.mean 和 tensorflow.reduce_mean 的功能是一样的。他们做同样的事情。从文档中，对于 numpy和 tensorflow ，你可以看到。让我们看一个例子，

c = np.array([[3.,4], [5.,6], [6.,7]])
print(np.mean(c,1))

Mean = tf.reduce_mean(c,1)
with tf.Session() as sess:
    result = sess.run(Mean)
    print(result)

输出

[ 3.5  5.5  6.5]
[ 3.5  5.5  6.5]

在这里您可以看到，当 axis(numpy) 或 reduction_indices(tensorflow) 为 1 时，它计算 (3,4) 和 (5,6) 的平均值和 (6,7)，所以 1 定义了计算平均值的轴。当它为 0 时，计算 (3,5,6) 和 (4,6,7) 的平均值，以此类推。我希望你能明白。

现在它们之间有什么区别？

你可以在 python 的任何地方计算 numpy 操作。但是为了做一个 tensorflow 操作，它必须在一个 tensorflow Session 内部完成。您可以阅读更多信息 here .因此，当您需要为您的 tensorflow 图(或结构，如果您愿意)执行任何计算时，必须在 tensorflow Session 内完成。

让我们看另一个例子。

npMean = np.mean(c)
print(npMean+1)

tfMean = tf.reduce_mean(c)
Add = tfMean + 1
with tf.Session() as sess:
    result = sess.run(Add)
    print(result)

我们可以自然地在 numpy 中通过 1 增加均值，但是为了在 tensorflow 中执行此操作，您需要在 Session< 中执行该操作，不使用 Session 你不能这样做。换句话说，当你计算 tfMean = tf.reduce_mean(c) 时，tensorflow 不会计算它。它只在 Session 中计算。但是当你编写 np.mean().

时，numpy 会立即计算出来

我希望这是有道理的。