一，tensorflow中有一類在tensor的某一維度上求值的函式。如：

求最大值tf.reduce_max(input_tensor, reduction_indices=None, keep_dims=False, name=None)

求平均值tf.reduce_mean(input_tensor, reduction_indices=None, keep_dims=False, name=None)

引數1--input_tensor:待求值的tensor。

引數2--reduction_indices:在哪一維上求解。

引數（3）（4）可忽略

舉例說明：

1. # 'x' is [[1., 2.]

2. # [3., 4.]]

x是一個2維陣列，分別呼叫reduce_*函式如下：

首先求平均值：

1. tf.reduce_mean(x) ==> 2.5 #如果不指定第二個引數，那麼就在所有的元素中取平均值

2. tf.reduce_mean(x, 0) ==> [2., 3.] #指定第二個引數為0，則第一維的元素取平均值，即每一列求平均值

3. tf.reduce_mean(x, 1) ==> [1.5, 3.5] #

指定第二個引數為1，則第二維的元素取平均值，即每一行求平均值

同理，還可用tf.reduce_max()求最大值等。

tensorflow中有很多在維度上的操作，本例以常用的tf.reduce_sum進行說明。官方給的api

1. reduce_sum(

2. input_tensor,

3. axis=None,

4. keep_dims=False,

5. name=None,

6. reduction_indices=None

7. )

• 1
• 2
• 3
• 4
• 5
• 6
• 7

input_tensor:表示輸入 
axis:表示在那個維度進行sum操作。 
keep_dims:表示是否保留原始資料的維度，False相當於執行完後原始資料就會少一個維度。 
reduction_indices:為了跟舊版本的相容，現在已經不使用了。 
官方的例子：

1. # 'x' is [[1, 1, 1]

2. # [1, 1, 1]]

3. tf.reduce_sum(x) ==> 6

4. tf.reduce_sum(x, 0) ==> [2, 2, 2]

5. tf.reduce_sum(x, 1) ==> [3, 3]

6. tf.reduce_sum(x, 1, keep_dims=True) ==> [[3], [3]]

7. tf.reduce_sum(x, [0, 1]) ==> 6

• 例子：

1. import tensorflow as tf

2. import numpy as np

3. x = np.asarray([[[1,2,3],[4,5,6]],[[7,8,9],[10,11,12]]])

4. x_p = tf.placeholder(tf.int32,[2,2,3])

5. y = tf.reduce_sum(x_p,0) #修改這裡

6. with tf.Session() as sess:

7. y = sess.run(y,feed_dict={x_p:x})

8. print y

axis= 0：[[ 8 10 12] [14 16 18]] 
1+7 2+8 3+7 …….. 
axis=1: [[ 5 7 9] [17 19 21]] 
1+4 2+5 3 +6 …. 
axis=2: [[ 6 15] [24 33]] 
1+2+3 4+5+6…..