機能の規程は、次元低減機能を持っている、すべての関数は、寸法線（軸）を持つ、指定されていない場合、デフォルトパラメータ、彼は数ある0次元になし、その本テンソル（テンソル）ではありません。
次のように関数の規程は、次のとおりです。
| 機能 | 説明 |
| reduce_sum（input_tensor、軸=なし、keep_dims = Falseの、名前=なし、reduction_indices =なし） | 要素及び入力テンソル計算、又はシャフトの指定された軸に従って合算 |
| reduce_prod（input_tensor、軸=なし、keep_dims = Falseの、名前=なし、reduction_indices =なし） | 軸の指定された軸に従ってテンソル積演算の入力要素、または製品によって |
| reduce_mix（input_tensor、軸=なし、keep_dims = Falseの、名前=なし、reduction_indices =なし） | 入力要素テンソルの最小値を算出します |
| reduce_max（input_tensor、軸=なし、keep_dims = Falseの、名前=なし、reduction_indices =なし） | 入力要素テンソルの最大値を算出します |
| reduce_mean（input_tensor、軸=なし、keep_dims = Falseの、名前=なし、reduction_indices =なし） | 平均値は、各要素の入力テンソルを算出します |
| reduce_all（input_tensor、軸=なし、keep_dims = Falseの、名前=なし、reduction_indices =なし） | 論理テンソルの各要素の「と」 |
| reduce_any（input_tensor、軸=なし、keep_dims = Falseの、名前=なし、reduction_indices =なし） | 各論理テンソルの要素「または」のための |
テンソル寸法の下でそれをしてみましょうはどのようにカウントされますか？
例えば、二次元テンソルの場合：[[1,2,3]、[4,5,6]、[7,8,9]]。彼は、最も外側の2つのブラケットを持っているので、我々はそれを二次元テンソルを呼ぶだろうtensorflow（マトリックスではなく、それは3 * 3の3次元マトリックスである、そう思っ使用していないマトリックスのこの次元を理解するために）ので
ここでは、どのような計算を説明するために）（この1つの平均化機能reduce_meanがあります。
我々は、それぞれ、1 [3 1 0 3 *を含むその次元ベクトルであり、[] [1,2,3]、[4,5,6]、[7,8,9]テンソルA =を想定します1,2,3]、[4,5,6]、[7,8,9]。次いで（0）0（1 + 4 + 7）/ 3 ,, 4 =（5 + 8 + 2）/ 3 = 5（3 + 6 + 9の平均寸法でテンソルであるreduce_mean ）/ 3 = 6、結果reduce_meanは（0）の出力は[4,5,6]です。同様reduce_mean（1）1（1 + 2 + 3）の平均寸法に/ 2 ,, 3 =（4 + 5 + 6）= 5/3、（7 + 8 + 9）/ 3 = 8、出力は[2,5,8-]であります
注：すべての要素の量は、張が整数であるため、出力が整数でもある場合（小数は小数点を切り捨て）
ここでは、プログラムの下で示します。
1つの インポートtensorflowのTF AS 2 AB＆tf.Variable =（[1,2,3]、[4,5,6]、[7,8,9 ]） 。3 プリント（ab.shape） 。4 tf.Sessionと（）セッション数AS： 5 sess.run（tf.global_variables_initializer（）） 6。 プリント（" AB＆0平均寸法：" 、sess.run（tf.reduce_mean（AB＆、0））） 7。 印刷（" AB＆1平均寸法："、sess.run（tf.reduce_mean（AB＆,. 1）））
出力：
0 AB平均寸法：[4 5 6 ]
ABは1の平均寸法である：[ 258]