tf.clip_by_value的用法
tf.clip_by_value(A, min, max):輸入一個張量A,把A中的每一個元素的值都壓縮在min和max之間。小于min的讓它等于min,大于max的元素的值等于max。
import tensorflow as tf;
import numpy as np;
A = np.array([[1,1,2,4], [3,4,8,5]])
with tf.Session() as sess:
print sess.run(tf.clip_by_value(A, 2, 5))
輸出:
[[2 2 2 4]
[3 4 5 5]]
tf.reduce_mean函數
tf.reduce_mean 函數用于計算張量tensor沿着指定的數軸(tensor的某一次元)上的的平均值,主要用作降維或者計算tensor(圖像)的平均值。
reduce_mean(input_tensor,
axis=None,
keep_dims=False,
name=None,
reduction_indices=None)
第一個參數input_tensor: 輸入的待降維的tensor;
第二個參數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keep_dims:是否降次元,設定為True,輸出的結果保持輸入tensor的形狀,設定為False,輸出結果會降低次元;
第四個參數name: 操作的名稱;
第五個參數 reduction_indices:在以前版本中用來指定軸,已棄用;
以一個次元是2,形狀是[2,3]的tensor舉例:
import tensorflow as tf
x = [[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.]
如果設定保持原來的張量的次元,keep_dims=True ,結果:
print m_a # output: [[ 2.]]
print m_0 # output: [[ 1. 2. 3.]]
print m_1 #output: [[ 2.], [ 2.]]
類似函數還有:
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);