В учебнике для начинающих MNIST есть утверждение
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
tf.cast
основном меняет тип тензора, которым является объект, но в чем разница между tf.reduce_mean
и np.mean
?
Вот документация по tf.reduce_mean
:
reduce_mean(input_tensor, reduction_indices=None, keep_dims=False, name=None)
input_tensor
: тензор, чтобы уменьшить. Должен иметь числовой тип.
reduction_indices
: размеры, чтобы уменьшить. ЕслиNone
(по умолчанию), уменьшает все размеры.# 'x' is [[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.]
Для одномерного вектора это выглядит как np.mean == tf.reduce_mean
, но я не понимаю, что происходит в tf.reduce_mean(x, 1) ==> [1., 2.]
. tf.reduce_mean(x, 0) ==> [1.5, 1.5]
имеет смысл, поскольку средние значения [1,2] и [1,2] равны [1,5,1.5], но что происходит с tf.reduce_mean(x,1)