tensorflow的reduce_sum方法学习记录

在使用tensorflow时，经常会用到reduce_sum这个函数，表示对数据进行求和，但它的参数的作用却不是那么容易明白。

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

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

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

输出结果如下：[2 2 2]，每一个元素是之前一列元素的和。

若axis=1，则输出是：[3,3]；若axis=[0,1]，则输出是： 6

参数二：keep_dims

默认值为Flase，表示默认要降维。若设为True，则不降维。

从上面的例子中，可以看到，x是一个二维数组，求和后变成了一位数组，默认降了维度，这是因为keep_dims参数默认Flase，表示降维，若想让结果仍为二维的，可以将keep_dims设置为True

修改上面代码如下：

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

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

输出结果是：[[2 2 2]]， 若将axis设置为1， 输出结果为：[ [3] [3] ]

参数三：reduction_indice

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。

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

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

由于上面的代码没有设置reduction_indice，默认降到0维，输出：6

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

设置reduction_indices为1，输出是：[3 3]， 设置reduction_indices为0，输出是：[2 2 2]。reduction_indices也可以像axis那样配合keep_dims一起使用，不让结果降维。

********************不积跬步无以至千里********************