规约函数都有降维的功能，每个函数都有维度线（axis） ，如果不指定，那么他的默认参数是None，就是把这个张量（tensor）降到0维度，也就是一个数。
规约函数如下：
| 函数 | 描述 |
| reduce_sum ( input_tensor , axis = None , keep_dims = False , name = None , reduction_indices = None) | 计算输入张量元素的和，或者按照axis指定的轴进行求和 |
| reduce_prod(input_tensor,axis=None,keep_dims=False,name=None,reduction_indices=None) | 计算输入张量元素的乘积，或者按照axis指定的轴进行乘积 |
| reduce_mix(input_tensor,axis=None,keep_dims=False,name=None,reduction_indices=None) | 计算输入张量元素的最小值 |
| reduce_max(input_tensor,axis=None,keep_dims=False,name=None,reduction_indices=None) | 计算输入张量元素的最大值 |
| reduce_mean(input_tensor,axis=None,keep_dims=False,name=None,reduction_indices=None) | 计算输入张量各元素的平均值 |
| reduce_all(input_tensor,axis=None,keep_dims=False,name=None,reduction_indices=None) | 对张量的各个元素求逻辑“与” |
| reduce_any(input_tensor,axis=None,keep_dims=False,name=None,reduction_indices=None) | 对张量的各个元素求逻辑“或” |
我们先来说下张量的维度是怎么算的？
对于一个二维张量来说例如：[[1,2,3],[4,5,6],[7,8,9]]。因为他的最外层有两个括号，所以在tensorflow中我们就称它是二维张量（但是在矩阵中它是3*3的三维矩阵，所以不要用矩阵的思想来理解这个维度）
下面我们就这一个求平均值的函数reduce_mean()来讲解是怎么计算的：
我们就假设张量为a = [[1,2,3],[4,5,6],[7,8,9]]，它的0维度包含三个1*3的向量分别是[1,2,3]、[4,5,6]、[7,8,9]。那么reduce_mean(a,0)就是张量a在0维度上的平均值为（1+4+7）/ 3=4,、（2+5+8）/3= 5、（3+6+9）/3=6，所以reduce_mean(a,0)输出的结果为[4,5,6]。同理reduce_mean(a,1)在1维度上的平均值为（1+2+3）/ 3=2,、（4+5+6）/3= 5、（7+8+9）/3=8，所以输出结果为[2,5,8]
注意：如果在张量全部元素是整型，所以输出的也是整型（小数是去舍去小数点后面的）
下面我们用程序演示下：
1 import tensorflow as tf 2 ab = tf.Variable([[1,2,3],[4,5,6],[7,8,9]]) 3 print(ab.shape) 4 with tf.Session() as sess: 5 sess.run(tf.global_variables_initializer()) 6 print("ab的0维度平均值：",sess.run(tf.reduce_mean(ab,0))) 7 print("ab的1维度平均值：",sess.run(tf.reduce_mean(ab,1)))
输出结果：
ab的0维度平均值： [4 5 6]
ab的1维度平均值： [2 5 8]