?

?

tensorflow運算法則

import tensorflow as tf tf.add(a,b) #加法 tf.subtract(a,b) #減法 tf.multiply(x,y) #乘法 tf.div(x,y) #整除 tf.truediv(x,y) #浮點數(shù)除法 tf.mod(x,y) #取余

?

tf.reduce_mean()

tf.reduce_mean 函數(shù)用于計算張量tensor沿著指定的數(shù)軸（tensor的某一維度）上的的平均值，主要用作降維或者計算tensor（圖像）的平均值。

接口為：reduce_mean(input_tensor,axis=None,keep_dims=False,name=None,reduction_indices=None)

• 第一個參數(shù)input_tensor： 輸入的待降維的tensor;
• 第二個參數(shù)axis： 指定的軸，如果不指定，則計算所有元素的均值;
• 第三個參數(shù)keep_dims：是否降維度，設(shè)置為True，輸出的結(jié)果保持輸入tensor的形狀，設(shè)置為False，輸出結(jié)果會降低維度;
• 第四個參數(shù)name： 操作的名稱;
• 第五個參數(shù) reduction_indices：在以前版本中用來指定軸，已棄用;

舉個例子：

import tensorflow as tfx = [[1,2,3],[1,2,3]]xx = tf.cast(x,tf.float32)mean_all = tf.reduce_mean(xx, keep_dims=False) mean_0 = tf.reduce_mean(xx, axis=0, keep_dims=False) mean_1 = tf.reduce_mean(xx, axis=1, keep_dims=False)with tf.Session() as sess:m_a,m_0,m_1 = sess.run([mean_all, mean_0, mean_1])print m_a # output: 2.0 print m_0 # output: [ 1. 2. 3.] print m_1 #output: [ 2. 2.]

類似的函數(shù)

• tf.reduce_sum ：計算tensor指定軸方向上的所有元素的累加和;
• tf.reduce_max? :? 計算tensor指定軸方向上的各個元素的最大值;
• tf.reduce_all :? 計算tensor指定軸方向上的各個元素的邏輯和（and運算）;
• tf.reduce_any:? 計算tensor指定軸方向上的各個元素的邏輯或（or運算）;

?

np.linalg.norm()——范數(shù)

inalg=linear（線性）+algebra（代數(shù)），norm則表示范數(shù)。

x_norm=np.linalg.norm(x, ord=None, axis=None, keepdims=False)

1. x: 表示矩陣（可以是一維）

2. ord：范數(shù)類型

向量的三種范數(shù)求法：

矩陣的三種范數(shù)求法：

3. axis：處理類型

4. keepding：是否保持矩陣的二維特性

True表示保持矩陣的二維特性，False相反

例子：

import numpy as np x = np.array([[1, 2, 3],[2, 4, 6]]) print "默認(rèn)參數(shù)(矩陣2范數(shù)，不保留矩陣二維特性) ：", np.linalg.norm(x) print "矩陣2范數(shù)，保留矩陣二維特性：", np.linalg.norm(x, keepdims=True) print "矩陣1范數(shù)(列和的最大值) ：", np.linalg.norm(x, ord=1,keepdims=True) print "矩陣2范數(shù)(求特征值，然后求最大特征值得算術(shù)平方根)：", np.linalg.norm(x, ord=2, keepdims=True) print "矩陣∞范數(shù)(行和的最大值) ：", np.linalg.norm(x, ord=np.inf, keepdims=True) print "矩陣每個行向量求向量的2范數(shù)：", np.linalg.norm(x, axis=1, keepdims=True) print "矩陣每個列向量求向量的2范數(shù)：", np.linalg.norm(x, axis=0, keepdims=True) print "矩陣每個行向量求向量的1范數(shù)：", np.linalg.norm(x, ord=1, axis=1, keepdims=True) print "矩陣每個列向量求向量的1范數(shù)：", np.linalg.norm(x, ord=1, axis=0, keepdims=True)

輸出結(jié)果為：

默認(rèn)參數(shù)(矩陣2范數(shù)，不保留矩陣二維特性) ： 8.36660026534 矩陣2范數(shù)，保留矩陣二維特性： [[8.36660027]] 矩陣1范數(shù)(列和的最大值) ： [[9.]] 矩陣2范數(shù)(求特征值，然后求最大特征值得算術(shù)平方根)： [[8.36660027]] 矩陣∞范數(shù)(行和的最大值) ： [[12.]] 矩陣每個行向量求向量的2范數(shù)： [[3.74165739][7.48331477]] 矩陣每個列向量求向量的2范數(shù)： [[2.23606798 4.47213595 6.70820393]] 矩陣每個行向量求向量的1范數(shù)： [[ 6.][12.]] 矩陣每個列向量求向量的1范數(shù)： [[3. 6. 9.]]

?

---

參考資料：

【1】https://blog.csdn.net/Liang_xj/article/details/85005243

【2】https://blog.csdn.net/dcrmg/article/details/79797826

總結(jié)

以上是生活随笔為你收集整理的tensorflow+numpy 深度学习相关函数（持续更新）的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。