Разница между НП.mean и tf.уменьшить среднее значение в Numpy и Tensorflow?

ключевым здесь является слово reduce, концепция функционального программирования, которая позволяет reduce_mean в TensorFlow сохранять среднее значение результатов вычислений из пакета входных данных.

Если вы не знакомы с функциональным программированием, это может показаться загадочным. Итак, сначала давайте посмотрим, что делает reduce. Если вам дали список вроде [1,2,5,4] и сказали вычислить среднее, это легко - просто передайте весь массив в np.злой, и ты получаешь ... означать. Однако что, если вам нужно было вычислить среднее значение потока чисел? В этом случае вам придется сначала собрать массив, прочитав из потока, а затем вызвать np.значит, на результирующем массиве-вам придется написать еще какой-то код.

альтернативой является использование парадигмы сокращения. В качестве примера рассмотрим, как мы можем использовать reduce в python для вычисления суммы чисел: reduce(lambda x,y: x+y, [1,2,5,4]).

он работает следующим образом:

1. Шаг 1: Прочитайте 2 цифры из списка - 1,2. Оценить лямда-1,2. уменьшить сохраняет результат 3. Примечание-это единственный шаг, где 2 цифры считываются из списка
2. Шаг 2: прочитайте следующую цифру из списка-5. Оцените лямбда 5, 3 (3-результат шага 1, который уменьшает сохраненное). уменьшить сохраняет результат 8.
3. Шаг 3: прочитайте следующую цифру из списка - 4. Оцените лямбда 8,4 (8-результат шага 2, который уменьшает сохраненное). уменьшить магазины результат 12
4. Шаг 4: Прочитайте следующую цифру из списка-их нет, поэтому верните сохраненный результат 12.

подробнее здесь функциональное программирование на Python

чтобы увидеть, как это относится к TensorFlow, посмотрите на следующий блок кода, который определяет простой график, который принимает float и вычисляет среднее значение. Однако вход в график-это не один поплавок, а массив поплавков. Reduce_mean вычисляет среднее значение для всех этих поплавков.

import tensorflow as tf


inp = tf.placeholder(tf.float32)
mean = tf.reduce_mean(inp)

x = [1,2,3,4,5]

with tf.Session() as sess:
    print(mean.eval(feed_dict={inp : x}))

этот шаблон пригодится при вычислении значений по пакетам изображений. Посмотреть глубокий пример MNIST где вы видите следующий код:

correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

в новой документации указано, что tf.reduce_mean() дает те же результаты, что и np.имею в виду:

эквивалент np.имею в виду

он также имеет абсолютно те же параметры, что и np.имею в виду. Но вот важное отличие: они дают одни и те же результаты только для значений float:

import tensorflow as tf
import numpy as np
from random import randint

num_dims = 10
rand_dim = randint(0, num_dims - 1)
c = np.random.randint(50, size=tuple([5] * num_dims)).astype(float)

with tf.Session() as sess:
    r1 = sess.run(tf.reduce_mean(c, rand_dim))
    r2 = np.mean(c, rand_dim)
    is_equal = np.array_equal(r1, r2)
    print is_equal
    if not is_equal:
        print r1
        print r2

если вы удалите преобразование типов, вы увидите разные результаты

In в дополнение к этому, многие другие tf.reduce_ функции, такие как reduce_all, reduce_any, reduce_min, reduce_max, reduce_prod производят те же значения, что и аналоги numpy. Очевидно, поскольку они являются операциями, они могут выполняться только изнутри сеанса.

1 обычно относится к строкам, и 2 обычно относится к столбцам. Уменьшение индекса" over"1 значит уменьшить rowwise.

[1., 2.] - это просто [ <row 1 mean> , <row 2 mean> ].

это соглашение о нумерации индексов типично для программного обеспечения статистики, особенно R.