Multidimensional array TensorFlow：在多维上取L2范数

我有一个TensorFlow占位符，4维代表一批图像。每个图像是32 x 32像素，每个像素有3个颜色通道。第一个维度表示图像的数量

X=tf.placeholder（tf.float32[None，32，32，3]）

对于每个图像，我想取所有图像像素的L2范数。因此，输出应为一维张量（即，每幅图像一个值）。

tf.norm（）

（）接受一个轴参数，但它只允许我指定两个轴，当我想在轴1、2和3上取范数时，取范数。我该怎么做

n = tf.norm(X, ord=2, axis=0)          # n.get_shape() is (?, ?, 3), not (?)
n = tf.norm(X, ord=2, axis=[1,2,3])    # ValueError

---

你不需要在另一个答案中建议的扁平化。如果你仔细阅读，你会发现：

轴：如果轴为无（默认值），则输入被视为向量 一个单一的向量范数是在一组完整的值上计算出来的 张量，即范数（张量，ord=ord）等于 范数（重塑（张量，[-1]），ord=ord）

例如：

import tensorflow as tf
import numpy as np

c = tf.constant(np.random.rand(3, 2, 3, 6))
d = tf.norm(c, ord=2)

with tf.Session() as sess:
    print sess.run(d)

---

我尝试了Salvador的答案，但它似乎为整个迷你批次返回一个数字，而不是每个图像返回一个数字。所以看起来我们可能会被困在每个维度的标准中

import tensorflow as tf
import numpy as np

batch = tf.constant(np.random.rand(3, 2, 3, 6))

x = tf.norm(batch, axis=3)
x = tf.norm(x, axis=2)
x = tf.norm(x, axis=1)

with tf.Session() as sess:
    result = sess.run(x)
print(result)

这可能会引入少量的数值不稳定性，但在理论上，这与同时获取整个图像的范数是一样的

---

您还可以考虑只在x轴和y轴上取范数，以便每个通道获得一个范数。tensorflow支持这一点是有原因的，但事实并非如此

您可以自己这样计算L2范数：

tf.sqrt(tf.reduce_sum(tf.pow(images,2), axis=(1,2,3)))