一，tensorflow中有一类在tensor的某一维度上求值的函数。如：
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
举例说明：
-
# 'x' is [[1., 2.] -
# [3., 4.]]
x是一个2维数组，分别调用reduce_*函数如下：
首先求平均值：
-
tf.reduce_mean(x) ==> 2.5 #如果不指定第二个参数，那么就在所有的元素中取平均值 -
tf.reduce_mean(x, 0) ==> [2., 3.] #指定第二个参数为0，则第一维的元素取平均值，即每一列求平均值 -
tf.reduce_mean(x, 1) ==> [1.5, 3.5] #
指定第二个参数为1，则第二维的元素取平均值，即每一行求平均值
同理，还可用tf.reduce_max()求最大值等。
tensorflow中有很多在维度上的操作，本例以常用的tf.reduce_sum进行说明。官方给的api
-
reduce_sum( -
input_tensor, -
axis=None, -
keep_dims=False, -
name=None, -
reduction_indices=None -
)
- 1
- 2
- 3
- 4
- 5
- 6
- 7
input_tensor:表示输入
axis:表示在那个维度进行sum操作。
keep_dims:表示是否保留原始数据的维度，False相当于执行完后原始数据就会少一个维度。
reduction_indices:为了跟旧版本的兼容，现在已经不使用了。
官方的例子：
-
# 'x' is [[1, 1, 1] -
# [1, 1, 1]] -
tf.reduce_sum(x) ==> 6 -
tf.reduce_sum(x, 0) ==> [2, 2, 2] -
tf.reduce_sum(x, 1) ==> [3, 3] -
tf.reduce_sum(x, 1, keep_dims=True) ==> [[3], [3]] -
tf.reduce_sum(x, [0, 1]) ==> 6
- 例子：
-
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) #修改这里 -
with tf.Session() as sess: -
y = sess.run(y,feed_dict={x_p:x}) -
print y
axis= 0：[[ 8 10 12] [14 16 18]]
1+7 2+8 3+7 ……..
axis=1: [[ 5 7 9] [17 19 21]]
1+4 2+5 3 +6 ….
axis=2: [[ 6 15] [24 33]]
1+2+3 4+5+6…..