tf.compat.v1.reduce_mean：计算跨张量维度的元素的均值。

tf.compat.v1.reduce_mean(     input_tensor, axis=None, keepdims=None, name=None, reduction_indices=None,     keep_dims=None )

通过计算各个维度axis的元素平均值，沿给定的维度axis减少input_tensor。除非keepdims为true，否则对于axis中的每个条目，张量的等级都会降低1。如果keepdims为true，则减小的维度将保留为长度1。

如果axis为None，则缩小所有维度，并返回带有单个元素的张量。

import tensorflow as tf with tf.Session() as sess: x = tf.constant([[1., 1.], [2., 2.]]) a = tf.reduce_mean(x) print(a) print(sess.run(a)) b = tf.reduce_mean(x, 0) print(b) print(sess.run(b)) c = tf.reduce_mean(x, 0) print(c) print(sess.run(c)) # 输出结果： # Tensor("Mean:0", shape=(), dtype=float32) # 1.5 # Tensor("Mean_1:0", shape=(2,), dtype=float32) # [1.5 1.5] # Tensor("Mean_2:0", shape=(2,), dtype=float32) # [1.5 1.5] import tensorflow as tf with tf.Session() as sess: x = tf.constant([[1., 1.], [2., 2.]]) print(tf.reduce_mean(x)) print(sess.run(tf.reduce_mean(x))) print(tf.reduce_mean(x, 0)) print(sess.run(tf.reduce_mean(x, 0))) print(tf.reduce_mean(x, 1)) print(sess.run(tf.reduce_mean(x, 1))) # 输出结果： # Tensor("Mean:0", shape=(), dtype=float32) # 1.5 # Tensor("Mean_2:0", shape=(2,), dtype=float32) # [1.5 1.5] # Tensor("Mean_4:0", shape=(2,), dtype=float32) # [1. 2.]

 

Args

input_tensor要减少的张量。 应为数字类型。axis

要减少的维度。如果为None（默认），减少所有的维度。必须在范围

[-rank(input_tensor),rank(input_tensor)]中。

keepdims如果为true，则保留长度为1的减少维度。name操作的名称（可选）。reduction_indices轴的旧名称（不建议使用）。keep_dims不推荐使用的别名keepdims。

Returns

缩减的张量。

numpy兼容性：相当于np.mean

请注意，np.mean具有一个可用于指定输出类型的dtype参数。默认情况下为dtype=float64。另一方面，tf.reduce_mean具有来自input_tensor的激进类型推断，例如：

import tensorflow as tf with tf.Session() as sess: x = tf.constant([1, 0, 1, 0]) x_ = tf.reduce_mean(x) print(x_) print(sess.run(x_)) y = tf.constant([1., 0., 1., 0.]) y_ = tf.reduce_mean(y) print(y_) print(sess.run(y_)) # 输出结果： # Tensor("Mean:0", shape=(), dtype=int32) # 0 # Tensor("Mean_1:0", shape=(), dtype=float32) # 0.5

即，tf.reduce_mean返回与input_tensor相同的数据类型。