[人工智能]tensorflow学习之均方误差、标准差(tf.squared_difference()、tf.reduce_mean())

tf.squared_difference()

相关参数

• x ，类型：张量
• y ，类型：张量
• name=None 类型：string , 运算名称
• 功能：计算张量 x、y 对应元素差的平方

import tensorflow as tf
tf.compat.v1.disable_eager_execution()

arr1 = [[1, 1], [4, 4]]
x = tf.Variable(arr1, dtype=tf.float32)
arr2 = [[3, 3], [3, 3]]
y = tf.Variable(arr2, dtype=tf.float32)
squ_diff = tf.compat.v1.squared_difference(x, y)

init_op = tf.compat.v1.global_variables_initializer()

with tf.compat.v1.Session() as sess:
    sess.run(init_op)
    print(sess.run(squ_diff ))

输出：
[[4. 4.]
 [1. 1.]]

tf.reduce_mean()

相关参数

• input_tensor ：输入的张量1

• axis=None：指定轴，默认None，即计算所有元素的均值

• keep_dims=False： 是否降维，默认False,降维；True为输出结果与输入的形状保持一致【新版本已经没有改参数】

• name=None：操作的名称

• 功能：用于计算张量沿着指定的数轴（某一维度）上的的平均值，主要用作降维或计算tensor的平均值。

import numpy as np
import tensorflow as tf
tf.compat.v1.disable_eager_execution()

arr1 = [[1, 1], [4, 4]]
x = tf.Variable(arr1, dtype=tf.float32)
arr2 = [[3, 3], [3, 3]]
y = tf.Variable(arr2, dtype=tf.float32)
squ_diff = tf.compat.v1.squared_difference(x, y)

mean_all = tf.compat.v1.reduce_mean(squ_diff, keep_dims=False)
mean_col = tf.compat.v1.reduce_mean(squ_diff, axis=0, keep_dims=False)  # 计算每列的均值
mean_row = tf.compat.v1.reduce_mean(squ_diff, axis=1, keep_dims=False)  # 计算每行的均值

init_op = tf.compat.v1.global_variables_initializer()

with tf.compat.v1.Session() as sess:
    sess.run(init_op)
    print(sess.run(squ_diff))
    # m_a, m_0, m_1 = sess.run([mean_all, mean_row, mean_col])
    print(sess.run(mean_all))
    print(sess.run(mean_col))
    print(sess.run(mean_row))

输出：
[[4. 4.]    # squ_diff 
 [1. 1.]]
2.5   # mean_all 
[2.5 2.5]  # mean_col
[4. 1.]  # mean_row