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：

# 'x' is [[1., 2.]
#         [3., 4.]]

首先求平均值：

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
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
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。

二、

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

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

• 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：

# 'x' is [[1, 1, 1]
#         [1, 1, 1]]
tf.reduce_sum(x) ==> 6
tf.reduce_sum(x, 0) ==> [2, 2, 2]
tf.reduce_sum(x, 1) ==> [3, 3]
tf.reduce_sum(x, 1, keep_dims=True) ==> [[3], [3]]
tf.reduce_sum(x, [0, 1]) ==> 6

• 1
• 2
• 3
• 4
• 5
• 6
• 7

自己做的例子：

import tensorflow as tf
import numpy as np
x = np.asarray([[[1,2,3],[4,5,6]],[[7,8,9],[10,11,12]]])
x_p = tf.placeholder(tf.int32,[2,2,3])
y =  tf.reduce_sum(x_p,0) #修改這裡
with tf.Session() as sess:
    y = sess.run(y,feed_dict={x_p:x})
    print y

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8

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…..