tf.math.reduce_mean和tf.keras.metrics.Mean的区别是什么，区别在于记不记忆之前的状态_tf.metrics.mean()

今晚在学tensorflow的API的时候，看到reduce_mean，于是心生活意——为何不直接用mean呢？

可能这个和mean有区别？

查询官网后，发现了 tf.math.reduce_mean和tf.keras.metrics.Mean这两种类。

google后，发现stackoverflow中有人已经问了这个问题，第一个回答如下，其实并没有回答到重点。

Functionality of tf.keras.metrics.Mean and tf.math.reduce_mean are slightly different. Look at the example

#tf.keras.metrics.Mean: CASE1

import tensorflow as tf
x = tf.constant([[1, 3, 5, 7],[1, 1, 0, 0]])
m = tf.keras.metrics.Mean()
m.update_state(x)
m.result().numpy()

Output:

1.886

#tf.keras.metrics.Mean: CASE2

m.reset_state()
m.update_state([1, 3, 5, 7], sample_weight=[1, 1, 0, 0])
m.result().numpy()

Output:

2.0

#tf.math.reduce_mean

#CASE1

y = tf.reduce_mean(x)

Output:

tf.Tensor(2, shape=(), dtype=int32)

#CASE2

y = tf.reduce_mean(x1,1)

Output:

tf.Tensor([4 0], shape=(2,), dtype=int32)

#CASE3

y = tf.reduce_mean(x1,0)

Output:

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

In case of tf.math.reduce_mean, you see that when axis(numpy) is 1, it computes mean across (1, 3, 5, 7) and (1,1,0,0), so 1 defines across which axis the mean is computed. When it is 0, the mean is computed across(1,1),(3,1),(5,0) and (7,0), and so on.

然后我又做了一份中文版的回答，为啥不用英文去回答呢？因为想让老外多认识一下中华文化。

我可以告诉你。

对于tf.keras.metrics.Mean，如果通过update_state()方法来更新，并且没有用reset_state()重置状态，就会把之前输入的参数包括进去。

比如

m = tf.keras.metrics.Mean()
m.update_state([1, 3, 5, 7])
m.result().numpy()
 
# m.reset_state()
m.update_state([8])
print(m.result().numpy())
print((1+3+5+7+8) / 5)

输出结果为：

4.8

4.8

但是对于tf.math.reduce_mean，并不存在记忆之前参数的概念。

链接如下：

 python - What's the difference between tf.math.reduce_mean and tf.keras.metrics.Mean? - Stack Overflow

另外拓展一下，在metrics模块下的很多方法和类，计算时都会受到之前状态的影响，

但是对于loss模块或math模块，每一次的计算都是独立不受上一次计算的影响的！