np.mean 和 tf.reduce_mean 有什么区别？

In the MNIST 初学者教程 https://www.tensorflow.org/versions/master/tutorials/mnist/beginners/index.html，有这样的声明

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

tf.cast基本上改变了对象的张量类型，但是有什么区别tf.reduce_mean https://www.tensorflow.org/api_docs/python/tf/reduce_mean and np.mean https://docs.scipy.org/doc/numpy-1.13.0/reference/generated/numpy.mean.html?

这是关于的文档tf.reduce_mean https://www.tensorflow.org/api_docs/python/tf/reduce_mean:

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

input_tensor：要减少的张量。应该有数字类型。

reduction_indices：要减小的尺寸。如果None（默认），减少所有尺寸。

# '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.]

对于一维向量，它看起来像np.mean == tf.reduce_mean，但我不明白发生了什么tf.reduce_mean(x, 1) ==> [1., 2.]. tf.reduce_mean(x, 0) ==> [1.5, 1.5]有点有道理，因为意思是[1, 2] and [1, 2] is [1.5, 1.5]，但是这是怎么回事tf.reduce_mean(x, 1)?

的功能numpy.mean and tensorflow.reduce_mean是相同的。他们做同样的事情。从文档来看，对于numpy http://docs.scipy.org/doc/numpy/reference/generated/numpy.mean.html and 张量流 https://www.tensorflow.org/api_docs/python/tf/reduce_mean，你可以看到。让我们看一个例子，

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)

Output

[ 3.5  5.5  6.5]
[ 3.5  5.5  6.5]

在这里你可以看到，当axis（numpy）或reduction_indices(tensorflow) 为 1，它计算 (3,4) 和 (5,6) 和 (6,7) 的平均值，所以1定义计算平均值的轴。当它为 0 时，将在 (3,5,6) 和 (4,6,7) 上计算平均值，依此类推。我希望你能明白。

那么它们之间有什么区别呢？

您可以在 python 上的任何位置计算 numpy 运算。但是为了进行张量流操作，必须在张量流内部完成Session。您可以阅读更多相关内容here https://www.tensorflow.org/get_started/get_started。因此，当您需要对张量流图（或结构，如果您愿意的话）执行任何计算时，必须在张量流内完成Session.

让我们看另一个例子。

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)

我们可以通过以下方式增加平均值1 in numpy正如您自然会做的那样，但是为了在张量流中执行此操作，您需要在Session，不使用Session你不能那样做。换句话说，当你计算时tfMean = tf.reduce_mean(c)，那么tensorflow不会计算它。它只计算在Session。但是 numpy 会立即计算，当你写np.mean().

我希望这是有道理的。