Python 我们何时以及为什么使用tf.reduce_的意思？

在设置模型时，我有时会看到以下代码：

# Scenario 1
# Define loss and optimizer
loss_op = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(
    logits=logits, labels=Y))

或

---

tf.reduce_mean

的定义指出，它“沿着张量的各个维度计算张量元素的平均值”。我对它在更简单的语言中的作用感到困惑？我们什么时候需要使用它，可能是在场景1和场景2中？谢谢

据我所知，

tensorflow.reduce\u mean

与

numpy.mean

相同。它在基础的

tensorflow

图中创建一个运算，计算张量的平均值

tensorflow.reduce\u mean

最重要的关键字参数是

axis

。基本上，如果您有一个具有形状

（4,3,2）

和

轴=1

的张量，将创建一个具有形状

（4,2）

的空数组，并将计算沿所选轴的平均值以填充空数组。（这只是一个帮助您理解输出的伪过程，但可能不是实际过程）

下面是一个简单的例子来帮助您理解

import tensorflow as tf
import numpy as np

one = np.linspace(1, 30, 30).reshape(5, 3, 2)

x = tf.placeholder('float32', shape=[5, 3, 2])
op_1 = tf.reduce_mean(x)
op_2 = tf.reduce_mean(x, axis=0)
op_3 = tf.reduce_mean(x, axis=1)
op_4 = tf.reduce_mean(x, axis=2)

with tf.Session() as sess:
    print(sess.run(op_1, feed_dict={x: one}))
    print(sess.run(op_2, feed_dict={x: one}))
    print(sess.run(op_3, feed_dict={x: one}))
    print(sess.run(op_4, feed_dict={x: one}))

第一个输出是一个数字，因为我们没有提供轴。其余输出的形状分别为

（3,2）

、

（5,2）

和

（5,3）

---

当目标值为矩阵时，

reduce\u mean

可能很有用

User@meTchaikovsky解释了

tf.reduce\u mean

的一般情况。在这两种情况下，

tf.reduce_mean

只是作为任何平均值计算器工作，即，。你没有沿着张量的任何特定轴取平均值，你只需要将张量中元素的和除以元素的个数

让我们来解码这两种情况下到底发生了什么。对于这两种情况，都假设

batch_size=2

和

num_classes=5

，这意味着每个批次有两个示例。 现在对于第一种情况，

tf.nn.softmax\u cross\u entropy\u with\u logits（logits=logits，labels=Y）

返回一个形状数组

（2，）

>将numpy作为np导入
>>导入tensorflow作为tf
>>sess=tf.InteractiveSession（）
>>批量大小=2
>>num_classes=5
>>logits=np.random.rand（批量大小，数量类）
>>打印（登录）
[[0.94108451 0.68186329 0.04000461 0.25996487 0.50391948]
[0.22781201 0.32305269 0.93359371 0.22599208 0.05942905]]
>>labels=np.array（[[1,0,0,0,0]，[0,1,0,0,0]]）
>>打印（标签）
[[1 0 0 0 0]
[0 1 0 0 0]]
>>logits=tf.placeholder（dtype=tf.float32，shape=（批大小，num\u类））
>>占位符（dtype=tf.int32，shape=（批大小，num类））
>>损耗op=tf.nn.softmax\u交叉熵\u与logits（logits=logits，labels=Y）
>>loss_per_example=sess.run（loss_op，feed_dict={Y_:labels，logits_:logits}）
>>打印（每例丢失）
数组（[1.2028817,1.6912657]，dtype=float32）

您可以看到每个示例中的

损失
的形状
（2，）
。如果我们取这个变量的平均值，那么我们就可以近似计算整个批次的平均损失。因此我们计算

>每个示例的损失\u holder=tf.placeholder（dtype=tf.float32，shape=（批量大小））
>>每批最终损失=tf.减少平均值（每例持有人损失）
>>最终损失=sess.run（每批最终损失，进料记录={每例损失持有人：每例损失}）
>>打印（最终损失）
1.4470737

关于你的第二个案例：

>预测\u holder=tf.placeholder（dtype=tf.float32，shape=（批大小，num\u类））
>>标签\u holder=tf.placeholder（dtype=tf.int32，shape=（批次大小，数量类））
>>预测值=tf.equal（tf.argmax（预测值=1），tf.argmax（标签=1））
>>labels\u match=sess.run（prediction\u tf，feed\u dict={predictions\u holder:logits，labels\u holder:labels}）
>>打印（标签不匹配）
[真假]

上述输出是预期的，因为只有变量
logits
的第一个示例说明具有最高激活度（
0.9410
）的神经元为零，这与标签相同。现在我们要计算精度，这意味着我们必须取变量
labels\u match
的平均值

标签匹配持有者=tf.placeholder（数据类型=tf.float32，形状=（批量大小））
>>精度计算=tf.reduce平均值（tf.cast（标签匹配支架，tf.float32））
>>准确度=sess.run（准确度计算，进给量={labels\u match\u holder:labels\u match}）
>>打印（准确性）
0.5

import tensorflow as tf
import numpy as np

one = np.linspace(1, 30, 30).reshape(5, 3, 2)

x = tf.placeholder('float32', shape=[5, 3, 2])
op_1 = tf.reduce_mean(x)
op_2 = tf.reduce_mean(x, axis=0)
op_3 = tf.reduce_mean(x, axis=1)
op_4 = tf.reduce_mean(x, axis=2)

with tf.Session() as sess:
    print(sess.run(op_1, feed_dict={x: one}))
    print(sess.run(op_2, feed_dict={x: one}))
    print(sess.run(op_3, feed_dict={x: one}))
    print(sess.run(op_4, feed_dict={x: one}))