Was ist der Unterschied zwischen np.bedeuten und tf.reduce_mean?

In der MNIST Anfänger-tutorial, es ist die Aussage

accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))

tf.cast im Grunde ändert den Typ von tensor das Objekt ist, aber was ist der Unterschied zwischen tf.reduce_mean und np.bedeuten?

Hier ist der doc auf tf.reduce_mean:

reduce_mean(input_tensor, reduction_indices=None, keep_dims=False, name=None)

input_tensor: Die tensor zu reduzieren. Sollte numerischen Typ.

reduction_indices: Die Abmessungen zu reduzieren. Wenn None (der Fehler), reduziert alle Dimensionen.
# '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.]

Für einen 1D-Vektor, wie es aussieht np.mean == tf.reduce_mean, aber ich verstehe nicht, was in tf.reduce_mean(x, 1) ==> [1., 2.]. tf.reduce_mean(x, 0) ==> [1.5, 1.5] Art von Sinn macht, da meine von [1,2] und [1,2] sind [1.5,1.5] aber was ist Los mit tf.reduce_mean(x,1)?

Sie produzieren unterschiedliche Ergebnisse auf ganzzahlige Werte durch die Aufteilung in python
Ein wichtiger Unterschied für jene, die neu tensorflow: tf.reduce_mean ist multi-threaded, in der Regel berechnet auf die GPU, während np.mean berechnet wird, auf einer einzelnen CPU. Auch tf ist ausgelegt für eine batch-Daten in der Erwägung, dass np wirkt auf eine einzelne Daten-Instanz.

InformationsquelleAutor O.rka | 2015-12-12

92

Die Funktionalität von numpy.mean und tensorflow.reduce_mean sind die gleichen. Sie tun die gleiche Sache. Aus der Dokumentation, für numpy und tensorflow, kannst du sehen. Betrachten wir ein Beispiel,
```
c = np.array([[3.,4], [5.,6], [6.,7]])
print(np.mean(c,1))

Mean = tf.reduce_mean(c,1)
with tf.Session() as sess:
    result = sess.run(Mean)
    print(result)
```
Ausgabe
```
[ 3.5  5.5  6.5]
[ 3.5  5.5  6.5]
```
Hier kannst du sehen, dass wenn axis(numpy) oder reduction_indices(tensorflow) 1 ist, berechnet bedeuten über (3,4) und (5,6) und (6,7), so 1 definiert, über welche Achse der Mittelwert berechnet. Wenn es 0 ist, wird der Mittelwert berechnet sich über(3,5,6) und (4,6,7), und so weiter. Ich hoffe, Sie bekommen die Idee.

Nun, was sind die Unterschiede zwischen Ihnen?

Können Sie berechnen numpy Betrieb überall auf python. Aber um das zu tun tensorflow Betrieb, es muss getan werden, innerhalb einer tensorflow Session. Lesen Sie mehr über es hier. Also, wenn Sie brauchen, um alle Berechnungen für Ihre tensorflow Grafik(oder die Struktur, wenn man so will), es muss getan werden, innerhalb einer tensorflow Session.

Betrachten wir ein weiteres Beispiel.
```
npMean = np.mean(c)
print(npMean+1)

tfMean = tf.reduce_mean(c)
Add = tfMean + 1
with tf.Session() as sess:
    result = sess.run(Add)
    print(result)
```
Konnten wir erhöhen damit meine 1 im numpy so würden Sie natürlich, aber um es zu tun, in tensorflow, die Sie durchführen müssen, die in Session, ohne Session können Sie nicht tun. In anderen Worten, wenn Sie computing tfMean = tf.reduce_mean(c), tensorflow nicht berechnen es dann. Es werden nur berechnet, dass in einem Session. Aber numpy berechnet, die sofort, wenn Sie schreiben np.mean().

Ich hoffe, es macht Sinn.
- aber was bedeutet die Reduzierung Teil meine hier?
- es ist ein Begriff aus der funktionalen Programmierung. Sie können darüber Lesen Sie hier: python-course.eu/lambda.php
InformationsquelleAutor Shubhashis
14

Der Schlüssel hier ist das Wort reduzieren, ein Konzept aus der funktionalen Programmierung, die es möglich macht, für reduce_mean in TensorFlow zu halten, einen Laufenden Durchschnitt der Ergebnisse von Berechnungen aus einem Stapel von Eingaben.

Wenn Sie nicht vertraut sind mit funktionalen Programmierung, das scheint geheimnisvoll. Also lasst uns zuerst sehen, was reduzieren hat. Wenn Sie eine Liste wie [1,2,5,4] und wurden angewiesen berechnen Sie den Mittelwert, das ist einfach - geben Sie einfach das gesamte array zu np.bedeuten, und Sie erhalten die meine. Doch was, wenn Sie hatte, um zu berechnen, den Mittelwert von einem Strom von zahlen? In diesem Fall müssten Sie zuerst montieren Sie das array durch Lesen aus dem stream und dann rufen np.bedeutet, dass die resultierende array - würden Sie schreiben mehr code.

Eine alternative ist die Nutzung der senken-Paradigma. Als Beispiel, schauen, wie können wir verwenden, reduzieren in python zur Berechnung der Summe der zahlen:
reduce(lambda x,y: x+y, [1,2,5,4]).

Funktioniert es so:
1. Schritt 1: Lesen Sie 2 zahlen aus der Liste - 1,2. Bewerten lambda 1,2. reduzieren speichert das Ergebnis 3. Hinweis - dies ist der einzige Schritt, wo 2 Ziffern ablesen, die Liste
2. Schritt 2: Lesen Sie die nächste Ziffer aus der Liste 5. Bewerten lambda 5, 3 (3 wird das Ergebnis aus Schritt 1, die Verringerung gespeichert). reduzieren speichert das Ergebnis 8.
3. Schritt 3: Lesen Sie die nächste Ziffer aus der Liste 4. Bewerten lambda-8,4 (8, der das Ergebnis von Schritt 2, die Verringerung gespeichert). reduzieren speichert das Ergebnis 12
4. Schritt 4: Lesen Sie die nächste Ziffer aus der Liste - es gibt keine, also zurück das gespeicherte Ergebnis der 12.
Lesen Sie hier mehr Funktionale Programmierung in Python

Um zu sehen, wie dies gilt für TensorFlow, betrachten Sie das folgende code-block definiert einen einfachen graph, der in einem Schwimmer durch und berechnet den Mittelwert. Die Eingabe der graph ist jedoch nicht eine einzelne Schwimmer, sondern ein array von floats. Die reduce_mean berechnet den Mittelwert über alle diejenigen, die schwimmt.
```
import tensorflow as tf


inp = tf.placeholder(tf.float32)
mean = tf.reduce_mean(inp)

x = [1,2,3,4,5]

with tf.Session() as sess:
    print(mean.eval(feed_dict={inp : x}))
```
Dieses Muster kommt in handliches, wenn die computing-Werte über stapeln von Bildern. Blick auf Die Tiefe MNIST Beispiel wo sehen Sie code wie:
```
correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
```
InformationsquelleAutor Nikhil George
2

Die neue Dokumentation besagt, dass tf.reduce_mean() liefert die gleichen Ergebnisse wie np.bedeutet:

Äquivalent zu np.meine

Es hat auch absolut die gleichen Parameter wie np.meine. Aber hier ist ein wichtiger Unterschied: Sie produzieren die gleichen Ergebnisse nur auf float-Werte:
```
import tensorflow as tf
import numpy as np
from random import randint

num_dims = 10
rand_dim = randint(0, num_dims - 1)
c = np.random.randint(50, size=tuple([5] * num_dims)).astype(float)

with tf.Session() as sess:
    r1 = sess.run(tf.reduce_mean(c, rand_dim))
    r2 = np.mean(c, rand_dim)
    is_equal = np.array_equal(r1, r2)
    print is_equal
    if not is_equal:
        print r1
        print r2
```
Wenn Sie entfernen den Typ der Konvertierung sehen Sie verschiedene Ergebnisse

Zusätzlich zu dieser, vielen anderen tf.reduce_ Funktionen wie reduce_all, reduce_any, reduce_min, reduce_max, reduce_prod produzieren die gleichen Werte, wie es numpy-Analoga. Klar, weil Sie Vorgänge, Sie kann nur ausgeführt werden, aus dem inneren der Sitzung.
- es könnte hilfreich sein, wenn Sie erklärt, was der Unterschied ist, neben der Beispiel. Die Ausführung Ihrer Beispiel habe ich den Eindruck, dass tf.reduce_mean sorgt dafür, dass die Ausgabe dtype entspricht der Eingabe dtype. Die Ausgabe von np.mean() ist immer ein float. Ist das richtig?
InformationsquelleAutor Salvador Dali
-1

1 in der Regel bezieht sich auf Zeilen, und 2 in der Regel bezieht sich auf die Spalten. Die Reduzierung der "über" index 1 Mittel zur Reduzierung rowwise.

[1., 2.] ist nur [ <row 1 mean> , <row 2 mean> ].

Dieser index Nummerierung Konvention ist typisch in Statistik-software, vor allem R.
- Ich glaube, 0 bezieht sich auf die Spalte, nicht 2
- Ich wunderte mich darüber, danke!
InformationsquelleAutor shadowtalker

Schreibe einen Kommentar

Du musst angemeldet sein, um einen Kommentar abzugeben.