tensorflow+numpy 深度学习相关函数（持续更新）

tensorflow运算法则

import tensorflow as tf
tf.add(a,b)         #加法
tf.subtract(a,b)    #减法
tf.multiply(x,y)    #乘法
tf.div(x,y)         #整除
tf.truediv(x,y)     #浮点数除法
tf.mod(x,y)         #取余

tf.reduce_mean()

tf.reduce_mean 函数用于计算张量tensor沿着指定的数轴（tensor的某一维度）上的的平均值，主要用作降维或者计算tensor（图像）的平均值。

接口为：
reduce_mean(input_tensor,
                axis=None,
                keep_dims=False,
                name=None,
                reduction_indices=None)

第一个参数input_tensor： 输入的待降维的tensor;
第二个参数axis： 指定的轴，如果不指定，则计算所有元素的均值;
第三个参数keep_dims：是否降维度，设置为True，输出的结果保持输入tensor的形状，设置为False，输出结果会降低维度;
第四个参数name： 操作的名称;
第五个参数 reduction_indices：在以前版本中用来指定轴，已弃用;

举个例子：

import tensorflow as tf
 
x = [[1,2,3],
      [1,2,3]]
 
xx = tf.cast(x,tf.float32)
 
mean_all = tf.reduce_mean(xx, keep_dims=False)
mean_0 = tf.reduce_mean(xx, axis=0, keep_dims=False)
mean_1 = tf.reduce_mean(xx, axis=1, keep_dims=False)
 
 
with tf.Session() as sess:
    m_a,m_0,m_1 = sess.run([mean_all, mean_0, mean_1])
 
print m_a    # output: 2.0
print m_0    # output: [ 1.  2.  3.]
print m_1    #output:  [ 2.  2.]

类似的函数

tf.reduce_sum ：计算tensor指定轴方向上的所有元素的累加和;
tf.reduce_max  :  计算tensor指定轴方向上的各个元素的最大值;
tf.reduce_all :  计算tensor指定轴方向上的各个元素的逻辑和（and运算）;
tf.reduce_any:  计算tensor指定轴方向上的各个元素的逻辑或（or运算）;

np.linalg.norm()——范数

inalg=linear（线性）+algebra（代数），norm则表示范数。

x_norm=np.linalg.norm(x, ord=None, axis=None, keepdims=False)

1. x: 表示矩阵（可以是一维）

2. ord：范数类型

向量的三种范数求法：

矩阵的三种范数求法：

3. axis：处理类型

4. keepding：是否保持矩阵的二维特性

True表示保持矩阵的二维特性，False相反

例子：

import numpy as np
x = np.array([
    [1, 2, 3],
    [2, 4, 6]])
print "默认参数(矩阵2范数，不保留矩阵二维特性)        ：", np.linalg.norm(x)
print "矩阵2范数，保留矩阵二维特性：", np.linalg.norm(x, keepdims=True)
print "矩阵1范数(列和的最大值)   ：", np.linalg.norm(x, ord=1,keepdims=True)
print "矩阵2范数(求特征值，然后求最大特征值得算术平方根)：", np.linalg.norm(x, ord=2, keepdims=True)
print "矩阵∞范数(行和的最大值)   ：", np.linalg.norm(x, ord=np.inf, keepdims=True)
print "矩阵每个行向量求向量的2范数：", np.linalg.norm(x, axis=1, keepdims=True)
print "矩阵每个列向量求向量的2范数：", np.linalg.norm(x, axis=0, keepdims=True)
print "矩阵每个行向量求向量的1范数：", np.linalg.norm(x, ord=1, axis=1, keepdims=True)
print "矩阵每个列向量求向量的1范数：", np.linalg.norm(x, ord=1, axis=0, keepdims=True)

输出结果为：

默认参数(矩阵2范数，不保留矩阵二维特性)        ： 8.36660026534
矩阵2范数，保留矩阵二维特性： [[8.36660027]]
矩阵1范数(列和的最大值)   ： [[9.]]
矩阵2范数(求特征值，然后求最大特征值得算术平方根)： [[8.36660027]]
矩阵∞范数(行和的最大值)   ： [[12.]]
矩阵每个行向量求向量的2范数： [[3.74165739]
 [7.48331477]]
矩阵每个列向量求向量的2范数： [[2.23606798 4.47213595 6.70820393]]
矩阵每个行向量求向量的1范数： [[ 6.]
 [12.]]
矩阵每个列向量求向量的1范数： [[3. 6. 9.]]

参考资料：

【1】 blog.csdn.net/Liang_xj/ar…

【2】 blog.csdn.net/dcrmg/artic…