Tensorflow学习笔记——reduce_sum函数

以上是reduce_sum函数的定义

reduce_sum(
    input_tensor,
    axis=None,
    keep_dims=False,
    name=None,
    reduction_indices=None
)

说明：
reduce_sum() 就是求和，由于求和的对象是tensor，所以是沿着tensor的某些维度求和。函数名中加了reduce是表示求和后会降维，当然可以通过设置参数来保证不降维，但是默认就是要降维的。

参数解释：
1）input_tensor：输入的张量。
2）axis：沿着哪个维度求和。
对于二维的input_tensor张量，0表示按列求和，1表示按行求和，[0, 1]表示先按列求和再按行求和。
3）keep_dims：默认值为Flase，表示默认要降维。若设为True，则不降维。
4）name：名字。
5）reduction_indices：默认值是None，即把input_tensor降到 0维，也就是一个数。
对于2维input_tensor，reduction_indices=0时，按列；reduction_indices=1时，按行。
注意，reduction_indices与axis不能同时设置。

例子1：

import tensorflow as tf
import numpy as np

x = np.asarray([[1,1,1],[1,1,1]])
x_p = tf.placeholder(tf.int32, [2,3])

y =  tf.reduce_sum(x_p, 0) 
with tf.Session() as sess:
    output = sess.run(y, feed_dict={x_p:x})
    print(output)

y =  tf.reduce_sum(x_p, reduction_indices=0) 
with tf.Session() as sess:
    output = sess.run(y, feed_dict={x_p:x})
    print(output)
    
y =  tf.reduce_sum(x_p, 1) 
with tf.Session() as sess:
    output = sess.run(y, feed_dict={x_p:x})
    print(output)
    
y =  tf.reduce_sum(x_p, reduction_indices=1) 
with tf.Session() as sess:
    output = sess.run(y, feed_dict={x_p:x})
    print(output)

y =  tf.reduce_sum(x_p, 1, keep_dims = True) 
with tf.Session() as sess:
    output = sess.run(y, feed_dict={x_p:x})
    print(output)

y =  tf.reduce_sum(x_p, [0,1]) 
with tf.Session() as sess:
    output = sess.run(y, feed_dict={x_p:x})
    print(output)

结果：

[2 2 2]
[2 2 2]
[3 3]
[3 3]
[[3]
 [3]]
6

例子2：

import tensorflow as tf
import numpy as np
x = np.asarray([[[1,2,3],[4,5,6]],[[7,8,9],[10,11,12]]])
x_p = tf.placeholder(tf.int32,[2,2,3])
y =  tf.reduce_sum(x_p,0) 
with tf.Session() as sess:
    y = sess.run(y,feed_dict={x_p:x})
    print(y)

y =  tf.reduce_sum(x_p,1) 
with tf.Session() as sess:
    y = sess.run(y,feed_dict={x_p:x})
    print(y)

y =  tf.reduce_sum(x_p,2) 
with tf.Session() as sess:
    y = sess.run(y,feed_dict={x_p:x})
    print(y)

结果：

[[8  10  12]
 [14 16  18]]
[[5  7  9]
 [17 19 21]]
[[6  15]
 [24 33]]

分析：

1.png

从运行结果可以看出，
axis = 0时，表示不同二维数组之间相应位置的数字相加
axis = 1时，表示二维数组内部按列相加
axis = 2时，表示二维数组内部按行相加

转自：https://www.jianshu.com/p/2d7db8b9cec9