tf.math.reduce_mean(
input_tensor, axis=None, keepdims=False, name=None
)
tf.reduce_meanの理解は平均化です。削減とは、平均化後の一連のデータの次元数を指します。そうではありませんか?一連のベクトルは数値になり、次元数は自然に減少します。
URL API
https://tensorflow.google.cn/api_docs/python/tf/math/reduce_mean?hl=en
ノートブックで使用
tf.math.reduce_mean(
input_tensor, axis=None, keepdims=False, name=None
)
ノートブックで使用
でinput_tensor 指定された次元に沿って縮小 し axis ます。keepdims が真でない限り 、テンソルのランクは、のエントリごとに1ずつ減少し axis ます。場合に keepdims 真である、縮小寸法は、長さ1で保持されています。 axis がNoneの場合 、すべての次元が縮小され、単一の要素を持つテンソルが返されます。 例えば: x = tf.constant([[1., 1.], [2., 2.]])
tf.reduce_mean(x) # 1.5
tf.reduce_mean(x, 0) # [1.5, 1.5]
tf.reduce_mean(x, 1) # [1., 2.]
引数:
input_tensor :削減するテンソル。数値型である必要があります。
axis :削減する寸法。None (デフォルト)の場合 、すべての次元を縮小します。範囲内でなければなりません [-rank(input_tensor), rank(input_tensor)) 。
keepdims :trueの場合、長さ1の縮小寸法を保持します。
name :操作の名前(オプション)。
戻り値: 削減されたテンソル。 Numpyの互換性 np.meanと同等 出力タイプを指定するために使用できるパラメータがあることに注意しnp.mean て ください dtype 。デフォルトでは dtype=float64 です。一方、に tf.reduce_mean は、からの積極的な型推論が input_tensor あります。次に例を示します。 x = tf.constant([1, 0, 1, 0])
tf.reduce_mean(x) # 0
y = tf.constant([1., 0., 1., 0.])
tf.reduce_mean(y) # 0.5 |
|
|
|
input_tensor
与えられた次元に沿って減少 する axis