machine-learning - 张量流中的reduce_max函数

Question

截屏

>>> boxes = tf.random_normal([ 5])
>>> with s.as_default():
...     s.run(boxes)
...     s.run(keras.backend.argmax(boxes,axis=0))
...     s.run(tf.reduce_max(boxes,axis=0))
...
array([ 0.37312034, -0.97431135,  0.44504794,  0.35789603,  1.2461706 ],
    dtype=float32)
3
0.856236

.

为什么我得到 0.8564。我预计该值为 1.2461。因为 1.2461 很大，对吧？

I am getting correct answer if i use tf.constant.
But I am not getting correct answer while using radom_normal

Answer 1

每次boxes运行时都会重新生成一个新s.run()的radom_normal. 所以你的三个结果是不同的。如果你想获得一致的结果，你应该只运行s.run()一次。

result = s.run([boxes,keras.backend.argmax(boxes,axis=0),tf.reduce_sum(boxes,axis=0)])
print(result[0])
print(result[1])
print(result[2])

#print
[ 0.69957364  1.3192859  -0.6662426  -0.5895929   0.22300807]
1
0.9860319

此外，代码应以文本格式而不是图片格式给出。

Answer 2

TensorFlow 与 numpy 不同，因为 TF 只使用符号操作。这意味着当您实例化 时random_normal，您不会得到数值，而是符号正态分布，因此每次评估它时，都会得到不同的数字。

每次使用此分布进行操作时，对于任何其他操作，您都会得到不同的数字，这就解释了您看到的结果。