[人工智能]tensorflow 2.0 基础知识点5 （数据统计——张量运算）

数据统计：求张量在某个维度上或者是全局上的统计值

<1> 求和函数——tf.reduce_sum()

a = tf.constant([[1,2,3],[4,5,6]])
print(tf.reduce_sum(a,axis=1)) # 对列进行求和
print(tf.reduce_sum(a,axis=0)) # 对行进行求和
print(tf.reduce_sum(a)) # 对所有元素求和

结果
tf.Tensor([ 6 15], shape=(2,), dtype=int32)
tf.Tensor([5 7 9], shape=(3,), dtype=int32)
tf.Tensor(21, shape=(), dtype=int32)

<2>求均值函数——tf.reduce_mean()

a = tf.constant([[1,2,3],[4,5,6]])
print(tf.reduce_mean(a,axis=1)) # 对列求均值
print(tf.reduce_mean(a,axis=0)) # 对行求均值
print(tf.reduce_mean(a)) # 对所有元素求均值

结果：
tf.Tensor([2 5], shape=(2,), dtype=int32)
tf.Tensor([2 3 4], shape=(3,), dtype=int32)
tf.Tensor(3, shape=(), dtype=int32)

<3>求最大最小值——tf.reduce_max()

a = tf.constant([[1,2,3],[4,5,6]])
print(tf.reduce_max(a,axis=1)) # 对列求最大值
print(tf.reduce_max(a,axis=0)) # 对行求最大值
print(tf.reduce_max(a)) # 对所有元素求最大值

结果：
tf.Tensor([3 6], shape=(2,), dtype=int32)
tf.Tensor([4 5 6], shape=(3,), dtype=int32)
tf.Tensor(6, shape=(), dtype=int32)

<4>求最小值—— tf.reduce_min()

a = tf.constant([[1,2,3],[4,5,6]])
print(tf.reduce_max(a,axis=1)) # 对列求最小值
print(tf.reduce_max(a,axis=0)) # 对行求最小值
print(tf.reduce_max(a)) # 对所有元素求最小值

结果：
tf.Tensor([1 4], shape=(2,), dtype=int32)
tf.Tensor([1 2 3], shape=(3,), dtype=int32)
tf.Tensor(1, shape=(), dtype=int32)

<5>求最大值索引——tf.argmax()

a = tf.constant([[1,2,3],[4,5,6]])
print(tf.argmax(a,axis=1)) # 对列求最大值索引
print(tf.argmax(a,axis=0)) # 对行求最大值索引
print(tf.argmax(a)) # 对所有元素求最大值索引

结果：
tf.Tensor([2 2], shape=(2,), dtype=int64)
tf.Tensor([1 1 1], shape=(3,), dtype=int64)
tf.Tensor([1 1 1], shape=(3,), dtype=int64)

<6>求最小值索引——tf.argmin()

a = tf.constant([[1,2,3],[4,5,6]])
print(tf.argmin(a,axis=1)) # 对列求最小值索引
print(tf.argmin(a,axis=0)) # 对行求最小值索引
print(tf.argmin(a)) # 对所有元素求最小值索引

结果：
tf.Tensor([0 0], shape=(2,), dtype=int64)
tf.Tensor([0 0 0], shape=(3,), dtype=int64)
tf.Tensor([0 0 0], shape=(3,), dtype=int64)