这里的关键是来自函数编程的概念reduce这个词，它使TensorFlow中的reduce_mean可以保持一批输入的计算结果的运行平均值。

如果您不熟悉函数式编程，这似乎很神秘。因此，首先让我们看看reduce的作用。如果给您一个类似于[1,2,5,4]的列表，并被告知要计算平均值，那很容易-只需将整个数组传递给np.mean即可得到平均值。但是，如果您必须计算数字流的均值怎么办？在这种情况下，您必须首先通过读取流来组装数组，然后在结果数组上调用np.mean-您将不得不编写更多代码。

一种替代方法是使用reduce范式。例如，看看如何在python中使用reduce来计算数字的总和： reduce(lambda x,y: x+y, [1,2,5,4]) 。

它是这样的：

1. 步骤1：从清单中读取2位数字-1,2。评估lambda 1,2。 reduce存储结果3。注意-这是从列表中读出2位数字的唯一步骤
2. 步骤2：从列表中读取下一个数字-5。评估lambda 5、3（3是步骤1的结果，即减少的存储量）。减少存储结果8。
3. 步骤3：从列表中读取下一个数字-4.评估lambda 8,4（步骤2的结果为8，即减少了存储的值）。减少存储结果12
4. 步骤4：从列表中读取下一个数字-没有数字，因此返回存储的结果12。

在此处阅读更多内容Python中的函数式编程

要了解这如何应用于TensorFlow，请查看以下代码块，该代码块定义了一个简单的图形，该图形接受一个浮点数并计算均值。但是，图形的输入不是单个浮点数，而是一个浮点数数组。 reduce_mean计算所有这些浮点数的平均值。

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}))

当计算成批图像的值时，此模式非常有用。查看The Deep MNIST Example ，在其中看到类似以下代码的代码：

correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

新文档指出tf.reduce_mean()产生的结果与np.mean相同：

相当于np.mean

它也具有与np.mean绝对相同的参数。但这是一个重要的区别：它们仅在float值上产生相同的结果：

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

如果您要删除类型转换，则会看到不同的结果

除此之外，许多其他tf.reduce_函数（如reduce_all ， reduce_any ， reduce_min ， reduce_max ， reduce_prod产生的值与numpy类似。显然，由于它们是操作，因此只能在会话内部执行。

numpy.mean和tensorflow.reduce_mean的功能相同。他们做同样的事情。在文档中，对于numpy和tensorflow ，您可以看到。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)

输出量

[ 3.5  5.5  6.5]
[ 3.5  5.5  6.5]

在这里您可以看到，当axis （numpy）或reduction_indices （tensorflow）为1时，它将计算（3,4）和（5,6）和（6,7）的均值，因此1定义了在哪个轴上计算均值。当它为0时，将在（3,5,6）和（4,6,7）之间计算平均值，依此类推。希望您能明白。

现在它们之间有什么区别？

您可以在python的任何位置计算numpy操作。但是为了进行张量流操作，它必须在张量流Session 。您可以在此处了解更多信息。因此，当您需要对tensorflow图（或结构）进行任何计算时，必须在tensorflow 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)

我们可以自然地将numpy均值增加1 ，但是要在tensorflow中做到这一点，您需要在Session执行该操作，而无需使用Session您将无法做到这一点。换句话说，当您计算tfMean = tf.reduce_mean(c) ，tensorflow不会对其进行计算。它仅在Session计算。但是，当您编写np.mean()时，numpy会立即进行计算。

我希望这是有道理的。