在使用深度学习(dl)框架时，使用函数tf.reduce_mean()后，产生了疑问，为了弄清楚其具体的意义，查找了一些资料。这里我用更直白的方式向大家解释一下python中map()和reduce()的用法和区别。
map()是对一个向量/矩阵中每个元素同时进行某一操作返回值与原向量维度相同； reduce()是对向量/矩阵一个序列中的元素依次进行某一操作，返回一个数值。
a = [2,4,6,8] print map(lambda x:2*x, a)
结果为：[4, 8, 12, 16] map()函数的操作，是对向量a中的每个元素，都做 2∗x 的操作。
a = [1,2,3,4] print reduce(lambda x,y:x+y,a)
结果为：20 reduce()函数的操作，从第一个元素开始，将每个元素累加。换句话说， step1:第一个元素与第二个元素相加： 2+4 得到 6 step2:step1结果和第三个元素相加：6 6 得到 12 step3:step2结果和第四个元素相加： 12+8 得到 20
这是tensorflow官方文档tf.reduce_mean()函数的说明
reduce_mean(input_tensor,reduction_indices=None,keep_dims=False, name=None) input_tensor: The tensor to reduce. Should have numeric type. reduction_indices: The dimensions to reduce. If None (the defaut), reduces all dimensions. # 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.]
input_tensor是输入的张量。 redunction_indices进行求平均操作的维度，默认为对张量中所有元素求平均
因此不指定参数时，输出值为 1.5 ；
指定indice为0时，对每一列中的所有元素求平均，输出结果为 [1.5,1.5] ；
指定indice为1时，对每一行中的所有元素求平均，输出结果为 [1.,2.]
