各位同學(xué)好，今天和大家分享一下TensorFlow2.0中的數(shù)據(jù)分析操作。內(nèi)容有：

（1）范數(shù) tf.norm()；（2）最值 tf.reduce_min()，?tf.reduce_max()（3）求和? tf.reduce_sum()；（4）均值 tf.reduce_mean()；（5）最值的位置 tf.argmax()，tf.argmin()；（6）兩個(gè)張量比較 tf.equal()；（7）張量唯一值 tf.unique()

那我們開始吧。

---

1. 范數(shù)

tf.orm(tensor, ord, axis)

tensor表示需要求范數(shù)的張量；ord=1求一范數(shù)，ord=2求二范數(shù)，默認(rèn)求二范數(shù)；axis指定軸，按照哪個(gè)軸求范數(shù)，默認(rèn)求整個(gè)張量的范數(shù)

一范數(shù)： 絕對(duì)值之和? ? ??二范數(shù)： 平方和再開根? ?

# 創(chuàng)建一個(gè)二維tensor
a = tf.constant([[1,2],[3,4]],dtype=tf.float32)
# ==1== 求一個(gè)tensor的二范數(shù)
tf.norm(a) # ord可省略，默認(rèn)二范數(shù)
# ==2== 求一個(gè)tensor某一個(gè)軸的二范數(shù)
tf.norm(a,ord=2,axis=1)  # 在第1個(gè)維度上求，每一行的平方和開根
# ==3== 求一個(gè)tensor的一范數(shù)
tf.norm(a,ord=1)  # 每個(gè)元素的絕對(duì)值之和
# ==4== 求一個(gè)tensor指定軸上的一范數(shù)
tf.norm(a,ord=1,axis=0) # 在第0個(gè)維度上求，每一列的絕對(duì)值之和

tf.norm(a) 是對(duì)a的所有元素都求平方再相加再開根，即?

tf.norm(a,ord=2,axis=1) 是指定在第1個(gè)軸上求二范數(shù)，也就是對(duì)最外層括號(hào)里面的內(nèi)容，即分別對(duì)?[1,2]?和?[3,4]?求二范數(shù)，返回[2.23, 5]

tf.norm(a,ord=1) 沒(méi)指定軸，求整個(gè)張量的一范數(shù)，絕對(duì)值之和，即1+2+3+4=10

tf.norm(a,ord=1,axis=0) 對(duì)第0個(gè)軸求一范數(shù)，即分別對(duì)?[1,3]?和?[2,4] 求一范數(shù)。即[4,6]

---

2. 最值、均值

最小值? tf.reduce_min()； 最大值? tf.reduce_max()； 均值? tf.reduce_mean()

參數(shù)均為：tensor 需要計(jì)算的張量；axis 指定計(jì)算的軸

2.1 若不指定軸，計(jì)算的是整個(gè)tensor的最值和均值

# 3行5列的每個(gè)元素在0-20中隨機(jī)選取，元素是整型
a = tf.random.uniform([3,5],minval=0,maxval=20,dtype=tf.int32)
# ==1== 不指定軸axis
tf.reduce_min(a)  # 求整個(gè)tensor的最小值，變成了0維
tf.reduce_max(a)
tf.reduce_mean(a)

求最值、均值時(shí)會(huì)有一個(gè)降維過(guò)程，比如這里的二維tensor，不指定軸求整個(gè)tensor的最值、均值，返回值是一個(gè)標(biāo)量，這就是一個(gè)降維的過(guò)程。

2.2 若指定軸

a = tf.random.uniform([3,5],minval=0,maxval=20,dtype=tf.int32)
# ==2== 指定軸axis
# 求每一列的最小值，返回一個(gè)列表
tf.reduce_min(a,axis=0) 
# 求每一列的最大值
tf.reduce_max(a,axis=0)  
# 求每一行的均值，返回一個(gè)列表
tf.reduce_mean(a,axis=1)  

tf.reduce_min(a,axis=0)??指定軸axis=0，在第0個(gè)維度上進(jìn)行計(jì)算，也就是計(jì)算，[11,9,5]，[1,6,6]，[7,14,1]，[9,9,14]，[9,1,15]，這5列上的最小值，返回結(jié)果是一個(gè)由5個(gè)列的最小值構(gòu)成的列表[5,1,1,9,1]

tf.reduce_mean(a,axis=1) 指定軸axis=1，在第1個(gè)維度上進(jìn)行計(jì)算，理解為，計(jì)算最外層中括號(hào)里面的幾個(gè)組成部分的均值，即計(jì)算[11,1,7,9,9]，[9,6,14,9,1]，[5,6,1,14,15] 這幾個(gè)部分的均值，將計(jì)算結(jié)果組成一個(gè)列表

---

3. 最值的位置

最大值的索引位置：?tf.argmax()? ? ? 最小值的索引位置： tf.argmin()

參數(shù)：?tensor 需要計(jì)算的張量；axis 指定計(jì)算的軸

# 3行5列的每個(gè)元素在0-20中隨機(jī)選取，元素是整型
a = tf.random.uniform([3,5],minval=0,maxval=20,dtype=tf.int32)
# 最大值位置
tf.argmax(a)  # 默認(rèn)axis=0，即在第0個(gè)維度上求最大值所在位置
# 最小值位置
tf.argmin(a,axis=1)  # 在第1的維度上求最小值所在位置

tf.argmax(a)??默認(rèn)axis=0，即在第0個(gè)軸上求最大值所在位置，即計(jì)算 [4,19,8]，[0,15,14]，[14,12,13]，[17,14,9]，[5,16,15] 這5項(xiàng)的每一項(xiàng)的最大值的下標(biāo)索引，將返回值組成一個(gè)列表，即[1,1,0,0,1]

tf.argmin(a,axis=1)? 指定需要計(jì)算的軸axis=1，對(duì)第1個(gè)軸計(jì)算最小值所在下標(biāo)位置，可理解為求最外層中括號(hào)里面每個(gè)部分的最小值的下標(biāo)索引，求[4,0,14,17,5]，[19,15,12,14,16]，[8,14,13,9,15]，將最小值的下標(biāo)索引組成一個(gè)列表返回 [1,2,0]

---

4. 判斷相同元素

tf.equal(tensor1, tensor2)

判斷兩個(gè)tensor變量是否相等，它的判斷方法不是整體判斷，而是逐個(gè)元素進(jìn)行判斷，如果相等就是True，不相等，就是False。

a = tf.constant([1,2,3,4,5])
b = tf.constant([5,4,3,2,1])
# 比較，相同返回True
tf.equal(a,b)

通過(guò)對(duì)a和b的每一個(gè)元素兩兩相比較，只有3是同位置同數(shù)值，返回True，其他都是False。

當(dāng)我們比較兩幅數(shù)據(jù)量很大的圖像時(shí)，可以通過(guò)返回值來(lái)計(jì)算有幾個(gè)相同的元素

首先利用類型轉(zhuǎn)換函數(shù)cast()，將布爾類型轉(zhuǎn)換成整型，再通過(guò)求和函數(shù)tf.reduce_sum()來(lái)計(jì)算個(gè)數(shù)。我們通過(guò)這個(gè)思路來(lái)計(jì)算這兩個(gè)tensor有幾個(gè)相同的元素。最終返回?cái)?shù)值1。

a = tf.constant([1,2,3,4,5])
b = tf.constant([5,4,3,2,1])
# 接收布爾返回值
res = tf.equal(a,b)
# 計(jì)算兩個(gè)tensor有幾個(gè)相同的元素
# 將res中的布爾類型轉(zhuǎn)換成整型
tf.reduce_sum(tf.cast(res,dtype=tf.int32))

---

5. 求唯一值

tf.unique(tensor)

返回tensor變量中的互不相同的值組成的列表，和原值的每個(gè)元素在唯一值列表中的位置

# 創(chuàng)建一個(gè)一維列表
a = tf.constant([5,6,7,8,6,5])
# 返回唯一值、和原數(shù)據(jù)中的每個(gè)元素在唯一值列表中的索引位置
res,arr = tf.unique(a)

原tensor中的倒數(shù)第二個(gè)6在唯一值列表中的索引位置是1，原tensor中的最后一個(gè)5在唯一值列表中的索引位置是0

---

6. 求和

tf.reduce_sum(tensor, axis)

對(duì)tensor變量求和，若不指定axis軸，默認(rèn)求整個(gè)tensor變量的所有元素的和

# 創(chuàng)建一個(gè)3行5列，每個(gè)元素都是在0-4之間隨機(jī)取
a = tf.random.uniform([3,5],minval=0,maxval=5,dtype=tf.int32)
# 整個(gè)tensor變量的和
tf.reduce_sum(a)
# 對(duì)第0個(gè)軸求和
tf.reduce_sum(a,axis=0)
# 對(duì)第1個(gè)軸求和
tf.reduce_sum(a,axis=1)

tf.reduce_sum(a,axis=0)? 指定第0個(gè)軸，即分別求[1,1,4]，[2,0,2]，[4,0,0]，[2,4,2]，[1,0,3] 的和，將結(jié)果組成一個(gè)列表返回，即 [6,4,4,8,4]

tf.reduce_sum(a,axis=1)? 指定第1個(gè)軸，可以理解為，分別對(duì) [[],[],[]] 里層三個(gè)括號(hào)求和，即分別對(duì)[1,2,4,2,1]，[1,0,0,4,0]，[4,2,0,2,3] 求和，將結(jié)果組成列表返回，即[10,5,11]

總結(jié)

以上是生活随笔為你收集整理的【TensorFlow2.0】(6) 数据统计，范数、最值、求和、均值、最值位置、唯一值、张量比较的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

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