1、如何理解 tf.reduce_max或者 tf.reduce_mean中對Tensor和高維矩陣的坐標軸axis的選擇的操作

tf.reduce_mean(
    input_tensor,
    axis=None,
    keepdims=None,
    name=None,
    reduction_indices=None,
    keep_dims=None
)

x = tf.constant([[1., 1.], [2., 2.]])
tf.reduce_mean(x)  # 1.5
tf.reduce_mean(x, 0)  # [1.5, 1.5]
tf.reduce_mean(x, 1)  #
 
 [1.,  2.]

　　從上計算結果中也可以看到，如果axis為None，默認將所有的維度都降1，最後剩下個0維的數子。

　　一個不是很簡單，但是很好理解的方法是：你的輸入矩陣的shape是(2,3,4)，那麽當axis=0時，就是在第一個dimension上進行求均值，最後得到的結果的shape就是去掉第一個dimension後的shape，也就是(3，4)。所以，我們例子中的x是shape為（2,2），axis=0時，剩下第二個維度--列，所以沿著第一個維度方向上--行對所有列求均值。

tensorflow語法筆記