在MNIST初学者教程中，有这样一个语句：
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))tf.cast基本上是改变对象的张量类型，但tf.reduce_mean和np.mean之间有什么区别呢？
这是关于tf.reduce_mean的文档：
reduce_mean(input_tensor, reduction_indices=None, keep_dims=False, name=None)
input_tensor：要减少的张量。应为数值类型。
reduction_indices：要减少的维度。如果为None（默认值），则减少所有维度。# 'x' 是 [[1., 1.]]# [2., 2.]]tf.reduce_mean(x) ==> 1.5tf.reduce_mean(x, 0) ==> [1.5, 1.5]tf.reduce_mean(x, 1) ==> [1., 2.]
对于一维向量，看起来np.mean == tf.reduce_mean，但我不明白tf.reduce_mean(x, 1) ==> [1., 2.]发生了什么。tf.reduce_mean(x, 0) ==> [1.5, 1.5]有一定道理，因为[1, 2]和[1, 2]的平均值是[1.5, 1.5]，但tf.reduce_mean(x, 1)是怎么回事呢？
回答：
numpy.mean和tensorflow.reduce_mean的功能是相同的。它们做的事情是一样的。从numpy和tensorflow的文档中可以看出这一点。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
[ 3.5 5.5 6.5][ 3.5 5.5 6.5]在这里你可以看到，当axis（numpy）或reduction_indices（tensorflow）为1时，它计算（3,4）、（5,6）和（6,7）的平均值，所以1定义了计算平均值的轴。当它为0时，平均值是跨（3,5,6）和（4,6,7）计算的，依此类推。我希望你能明白这个概念。
那么它们之间有什么区别呢？
你可以在python的任何地方计算numpy操作。但要进行tensorflow操作，必须在tensorflow的Session中进行。你可以在这里阅读更多。所以当你需要为tensorflow图（或结构，如果你愿意的话）执行任何计算时，必须在tensorflow的Session中进行。
让我们看另一个例子。
npMean = np.mean(c)print(npMean+1)tfMean = tf.reduce_mean(c)Add = tfMean + 1with tf.Session() as sess: result = sess.run(Add) print(result)我们可以在numpy中自然地将平均值增加1，但在tensorflow中，你需要在Session中执行这个操作，如果不使用Session，你就无法做到这一点。换句话说，当你计算tfMean = tf.reduce_mean(c)时，tensorflow并不会立即计算它。它只会在Session中计算。但numpy会在你写np.mean()时立即计算。
我希望这有意义。
