tf.reduce_sum()函數

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

reduce_sum 是 tensor 內部求和的工具。其參數中：

1. input_tensor 是要求和的 tensor

2. axis 是要求和的 rank，如果爲 none，則表示所有 rank 都要仇和

3. keep_dims 求和後是否要降維

4. 這個操作的名稱，可能在 graph 中 用

5. 已被淘汰的，被參數 axis 替代

x = tf.constant([[1, 1, 1], [1, 1, 1]])
tf.reduce_sum(x, 0)  # 對 tensor 的 0 級進行求和，[1,1,1] + [1,1,1] =  [2, 2, 2]
tf.reduce_sum(x, 1)  # 對 tensor 的 1 級進行仇和，[1+1+1, 1+1+1] = [3, 3]
tf.reduce_sum(x, 1, keep_dims=True)  # 對第 1 級進行求和，但不降維, [[3], [3]]
tf.reduce_sum(x, [0, 1])  # 0 級和 1級都要求和，6
tf.reduce_sum(x)  # 因爲 x 只有 2 級，所以結果同上一個，6

上面是TensorFlow官方文檔中的函數解釋。

其實在reduce_sum()中，是從維度上去考慮的（感覺這個Matlab中數據的概念比較像）

調用reduce_sum(arg1, arg2)時，參數arg1即爲要求和的數據，arg2有兩個取值分別爲0和1，通常用reduction_indices=[0]或reduction_indices=[1]來傳遞參數。從上圖可以看出，當arg2 = 0時，是縱向對矩陣求和，原來矩陣有幾列就得到幾個值；相似地，當arg2 = 1時，是橫向對矩陣求和；當省略arg2參數時，默認對矩陣所有元素進行求和。

看到這裏，函數名的前綴爲什麼是reduce_其實也就很容易理解了，reduce就是“對矩陣降維”的含義，下劃線後面的部分就是降維的方式，在reduce_sum()中就是按照求和的方式對矩陣降維。那麼其他reduce前綴的函數也舉一反三了，比如reduce_mean()就是按照某個維度求平均值，等等。