1 tf.argmax()简介
tf.argmax(vector, 1)：返回的是vector中的最大值的索引号，如果vector是一个向量，那就返回一个值，如果是一个矩阵，那就返回一个向量，这个向量的每一个维度都是相对应矩阵行的最大值元素的索引号。
tf.argmax(input=tensor,dimention=axis) 找到给定的张量tensor中在指定轴axis上的最大值/最小值的位置。
实例1
import numpy as np
import tensorflow as tf
A = np.arange(1, 8, 2).reshape(1, 4)
print("A:", A)
B = np.arange(1, 7).reshape(2, 3)
print("B:", B)
with tf.Session() as sess:
print("A中沿X轴最大值的索引为：", sess.run(tf.argmax(A, 1)))
print("A中沿Y轴最大值的索引为：", sess.run(tf.argmax(A, 0)))
print("B中沿X轴最大值的索引为：", sess.run(tf.argmax(B, 1)))
print("B中沿Y轴最大值的索引为：", sess.run(tf.argmax(B, 0)))
结果
实例2
import tensorflow as tf
a = tf.get_variable(name='a',
shape=[3, 4],
dtype=tf.float32,
initializer=tf.random_uniform_initializer(minval=-1, maxval=1))
b = tf.argmax(input=a, dimension=0)
c = tf.argmax(input=a, dimension=1)
sess = tf.InteractiveSession()
sess.run(tf.initialize_all_variables())
print(sess.run(a))
#[[ 0.04261756 -0.34297419 -0.87816691 -0.15430689]
# [ 0.18663144 0.86972666 -0.06103253 0.38307118]
# [ 0.84588599 -0.45432305 -0.39736366 0.38526249]]
print(sess.run(b))
#[2 1 1 2]
print(sess.run(c))
#[0 1 0]
结果：
实例来自：https://blog.csdn.net/liyaoqing/article/details/54020202
2 tf.reduce_mean()
求平均值:tf.reduce_mean(input_tensor, reduction_indices=None, keep_dims=False, name=None)
实例
import numpy as np
import tensorflow as tf
A = np.arange(0, 6).reshape(2, 3)
print("A:", A)
with tf.Session() as sess:
print("A中所有值的平均值为：", sess.run(tf.reduce_mean(tf.cast(A, tf.float32))))
print("A中沿X轴平均值为：", sess.run(tf.reduce_mean(A, 1)))
print("A中沿Y轴平均值为：", sess.run(tf.reduce_mean(A, 0)))
结果：
A: [[0 1 2]
[3 4 5]]
A中所有值的平均值为： 2.5
A中沿X轴平均值为： [1 4]
A中沿Y轴平均值为： [1 2 3]
[Finished in 2.3s]
3 tf.reduce_sum()
按某个轴求和
实例
import numpy as np
import tensorflow as tf
A = np.arange(0, 6).reshape(2, 3)
print("A:", A)
with tf.Session() as sess:
print("A中所有值的和为：", sess.run(tf.reduce_sum(tf.cast(A, tf.float32))))
print("A中沿X轴和为：", sess.run(tf.reduce_sum(A, 1)))
print("A中沿Y轴和为：", sess.run(tf.reduce_sum(A, 0)))
结果
A: [[0 1 2]
[3 4 5]]
A中所有值的和为： 15.0
A中沿X轴和为： [ 3 12]
A中沿Y轴和为： [3 5 7]
[Finished in 2.4s]
4 tf.equal()
tf.equal(real, prediction)是对比这两个矩阵或者向量的相等的元素，如果是相等的那就返回True，反正返回False，返回的值的矩阵维度和real是一样的，我们会在求准确率的时候经常用到它
实例
import tensorflow as tf
import numpy as np
real = [[1, 3, 4, 5, 6]] # 真实值
prediction = [[1, 3, 4, 3, 2]] # 预测值
with tf.Session() as sess:
correct_preds = tf.equal(real, prediction) #
print(sess.run(correct_preds))
correct_preds_num = tf.cast(correct_preds, tf.float32)
print(sess.run(correct_preds_num))
accuracy = tf.reduce_mean(correct_preds_num)
print(sess.run(accuracy))True True True False False]]
[[1. 1. 1. 0. 0.]]
0.6
0.6
[Finished in 2.0s]
# 等同于
accuracy = tf.reduce_mean(tf.cast(correct_preds, tf.float32))
print(sess.run(accuracy))
结果：
[[ True True True False False]]
[[1. 1. 1. 0. 0.]]
0.6
0.6
[Finished in 2.0s]
