tensorflow.keras.backend.mean() 与 tf.reduce_mean()_keras reduce_mean

初学tensorflow2.0发现tf 算张量的平均值竟然有两个函数，我觉得这对初学者一点都不友好，搞不清有啥区别，不知道应该用哪一个

并且在tensorflow2.0中已经没有tf.math.mean()了，但是还有tf.math.reduce_mean()，当然，加不加这个.math都一样了

先贴上官方的解释

1.tf.reduce_mean

reduce_mean(
    input_tensor,
    axis=None,
    keepdims=False,
    name=None,
)
1
2
3
4
5
6

功能： 计算张量的各个维度上的元素的平均值.

axis是tf.reduce_mean函数中的参数,按照函数中axis给定的维度减少input_tensor，除非keep_dims是true,否则张量的秩将在axis的每个条目中减少1.如果keep_dims为true,则缩小的维度将保留为1.

如果axis没有条目,则减少所有维度,并返回具有单个元素的张量
参数：

• input_tensor：要减少的张量.应该有数字类型.
• axis：要减小的尺寸.如果为None(默认),则减少所有维度.必须在[-rank(input_tensor), rank(input_tensor))范围内.
• keepdims：如果为true,则保留长度为1的缩小尺寸.
• name：操作的名称(可选).

返回：
该函数返回减少的张量.
numpy兼容性
相当于np.mean

2.tf.keras.backend.mean

tf.keras.backend.mean(
    x,
    axis=None,
    keepdims=False
)
1
2
3
4
5

功能： 张量的平均值，与指定的轴一起。
参数：

• x：张量或变量。
• axis：整数列表。用于计算平均值的轴。
• keepdims：布尔值，是否保留维度。如果keepdims是False，则对于axis中的每个条目，张量的秩减少1；如果keepdims是True，减小的维度保留长度为1。

返回： 返回x元素的均值的张量。

3.比较

从介绍看两个基本是一样的，我们来实际对比一下
此处得先说一下，如果输入张量的元素是整型的话，那结果是会四舍五入的

a= tf.constant([[1, 2, 3],[4, 5, 6]])

print(b)
print('默认参数')
print(tf.keras.backend.mean(a))
print(tf.reduce_mean(a))
1
2
3
4
5
6

输出

tf.Tensor(
[[1. 2. 3.]
 [4. 5. 6.]], shape=(2, 3), dtype=float32)
默认参数
tf.Tensor(3, shape=(), dtype=int32)
tf.Tensor(3, shape=(), dtype=int32)
1
2
3
4
5
6

两个输出结果一样，输出结果被四舍五入了，如果axis不指定的话，它会先在一个维度方向求得均值后，对减少一个维度后的均值再求一次均值

a= tf.constant([[1., 2., 3],[4., 5., 6.]])

print('axis=0')
print(tf.reduce_mean(a, axis=0))
print(tf.keras.backend.mean(a, axis=0))
print('axis=1')
print(tf.reduce_mean(a, axis=1))
print(tf.keras.backend.mean(a, axis=1))
1
2
3
4
5
6
7
8

输出

axis=0
tf.Tensor([2.5 3.5 4.5], shape=(3,), dtype=float32)
tf.Tensor([2.5 3.5 4.5], shape=(3,), dtype=float32)
axis=1
tf.Tensor([2. 5.], shape=(2,), dtype=float32)
tf.Tensor([2. 5.], shape=(2,), dtype=float32)
1
2
3
4
5
6

结果一样

a= tf.constant([[1., 2., 3],[4., 5., 6.]])
print(a)
print(tf.reduce_mean(a, axis=0, keepdims=True))
print(tf.keras.backend.mean(a, axis=0, keepdims=True))
1
2
3
4

输出

tf.Tensor(
[[1. 2. 3.]
 [4. 5. 6.]], shape=(2, 3), dtype=float32)
 
tf.Tensor([[2.5 3.5 4.5]], shape=(1, 3), dtype=float32)
tf.Tensor([[2.5 3.5 4.5]], shape=(1, 3), dtype=float32)
1
2
3
4
5
6

结果一样
但注意一下，此处保留了维度，输出还是两个维度

好吧，结果一番研究没看出来区别，不知道是真的没区别还是我没发现