用python中list/tuple理解，仅仅是从内存角度理解一个序列数据，而非数学中标量，向量和张量。
从python内存角度理解，就是一个数值，长度为1，并且不是一个序列；
从numpy与tensorflow数学角度理解，就是一个标量，shape为()，其轴为0；
[1,2,3,4,5,6]
从python内存角度理解，就是1*6或者长度为6的一个序列；
从numpy与tensorflow数学角度理解，就是一维向量，并且是列向量，shape为(6,)，其轴为1；注：一维向量，列向量，其轴为1，轴下标为0，表示第一个轴；
[[1,2,3], [4,5,6]]
从python内存角度理解，就是一个二维数组2*3，2列3行；注意：不管python还是numpy/tensorflow都是列在前，即一个向量默认为列向量；
从numpy/tensorflow数学角度理解，就是一个二维张量，shape为(2,3)，其轴为2；注：二维向量，第一个轴为列，下标为0，第二个轴为行，下标为1；
import os, sys
import numpy
import tensorflow as tf
'''
求最大值tf.reduce_max(input_tensor, reduction_indices=None, keep_dims=False, name=None)
求平均值tf.reduce_mean(input_tensor, reduction_indices=None, keep_dims=False, name=None)
参数（1）input_tensor:待求值的tensor。
参数（2）reduction_indices:在哪一维上求解。
参数（3）（4）可忽略
'''
a = [[1, 2, 3],
[4, 5, 6]]
b = tf.Variable(a, dtype=tf.float32)
init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)
d1 = tf.reduce_mean(b) #表示对矩阵所有元素进行均值；
#3.5
d2 = tf.reduce_mean(b, 0) #表示对矩阵进行第一个轴(列)方向上的投影，即每一行上的均值；
#[2.5 3.5 4.5]
d3 = tf.reduce_mean(b, 1) #表示对矩阵进行第二个轴(行)方向上的投影，即每一列的均值；
#[2. 5.]
#同理tf.reduce_max()一样
'''
[b, b[i,:], b[:, i]]
b[i,:]: 表示b矩阵第一个轴(列)，第i列对应所有元素；
b[:,i]: 表示b矩阵第二个轴(行)，第i行对应所有元素；
'''
sess.run([b, b[0, :], b[:, 0]])
print(sess.run(d1))
print(sess.run(d2))
print(sess.run(d3))