1
2
3
4
5
6
7
reduce_sum 是 tensor 內部求和的工具。其參數中：
input_tensor 是要求和的 tensor
axis 是要求和的 rank，如果為 none，則表示所有 rank 都要仇和
keep_dims 求和后是否要降維
這個操作的名稱，可能在 graph 中 用
已被淘汰的，被參數 axis 替代
x = tf.constant([[1, 1, 1], [1, 1, 1]])
tf.reduce_sum(x, 0) # 對 tensor 的 0 級進行求和，[1,1,1] + [1,1,1] = [2, 2, 2]
tf.reduce_sum(x, 1) # 對 tensor 的 1 級進行仇和，[1+1+1, 1+1+1] = [3, 3]
tf.reduce_sum(x, 1, keep_dims=True) # 對第 1 級進行求和，但不降維, [[3], [3]]
tf.reduce_sum(x, [0, 1]) # 0 級和 1級都要求和，6
tf.reduce_sum(x) # 因為 x 只有 2 級，所以結果同上一個，6
1
2
3
4
5
6
上面是TensorFlow官方文檔中的函數解釋。
其實在reduce_sum()中，是從維度上去考慮的（感覺這個Matlab中數據的概念比較像）
調用reduce_sum(arg1, arg2)時，參數arg1即為要求和的數據，arg2有兩個取值分別為0和1，通常用reduction_indices=[0]或reduction_indices=[1]來傳遞參數。從上圖可以看出，當arg2 = 0時，是縱向對矩陣求和，原來矩陣有幾列就得到幾個值；相似地，當arg2 = 1時，是橫向對矩陣求和；當省略arg2參數時，默認對矩陣所有元素進行求和。
看到這里，函數名的前綴為什么是reduce_其實也就很容易理解了，reduce就是“對矩陣降維”的含義，下划線后面的部分就是降維的方式，在reduce_sum()中就是按照求和的方式對矩陣降維。那么其他reduce前綴的函數也舉一反三了，比如reduce_mean()就是按照某個維度求平均值，等等。
---------------------
作者：GeorgeAI
來源：CSDN
原文：https://blog.csdn.net/georgeai/article/details/81030811
版權聲明：本文為博主原創文章，轉載請附上博文鏈接！