为什么第 0 层意味着 reduce_mean 给出错误的平均值？

Question

我这里有第三层阵列

t = tf.constant([[[1., 1., 1.], [2., 2., 2.]], [[3., 3., 3.], [4., 4., 4.]]])
tf.reduce_mean(t,0)

我认为第 0 层均值是 1.5 和 3.5。但是，它给了我 2 和 3。有人可以帮助解释这里发生的事情吗？

<tf.Tensor: id=8966, shape=(2, 3), dtype=float32, numpy=
array([[2., 2., 2.],
       [3., 3., 3.]], dtype=float32)>

另外，我不明白的是为什么不

t = tf.constant([[[1., 1., 1.], [2., 2., 2.]], [[3., 3., 3.], [4., 4., 4.]]])
tf.reduce_mean(t,2)

给出答案

[[[1.],[2.]],
 [[3.],[4.]]]

？它给出了一个答案

<tf.Tensor: id=9014, shape=(2, 2), dtype=float32, numpy=
array([[1., 2.],
       [3., 4.]], dtype=float32)>

第2层[]去哪了？

层的哪一部分我没有理解正确？

Answer 1

这是对

tf.reduce_mean

如何作用于

axis=0

的描述。

你有一个

(2,2,3)

数组。

tf.reduce_mean(t, 0)

通过在

(2,3)

上压缩数组（通过取平均值）生成一个

axis=0

数组，如图所示。您可以将其可视化为任何其他维度。

每当您在轴上执行

reduction

操作时，该轴就会消失（实际上变成

1

）。如果你想保持那个尺寸，只需设置

tf.reduce_mean(t, 0, keepdims=True)

.

Answer 2

谢谢！帮助很大。在 pandas 中，axis=0 表示行。这是“专栏”