簡而言之，reduce系列的函式都可在張量指定的維度上操作

目錄

輸入引數

輸入引數

tf.reduce_all/reduce_any/reduce_max/reduce_min/reduce_mean/reduce_sum/reduce_prod/reduce_logsumexp(
    input_tensor,
    axis=None,
    keepdims=None,
    name=None,
    reduction_indices=None,
    keep_dims=None
)

• input_tensor：輸入的張量。
• axis
  ：要操作的維度，如果為None（預設），則操作所有維度。必須在範圍[-rank(input_tensor), rank(input_tensor))內。
• keepdims：如果為 true，則保留長度為1的縮小維度。
• name：操作的名稱（可選）。
• reduction_indices：引數axis的已棄用的別名名稱。（為了相容性）
• keep_dims：引數keepdims的已棄用的別名名稱。（為了相容性）

tf.reduce_all   在boolean張量的維度上計算元素的 "邏輯和"

按照axis給定的維度減少input_tensor (boolean Tensor) 。除非keepdims為 true，否則張量的秩將在軸的每個條目中減少1。如果keep_dims為 true，則減小的維度將保留為長度1。

如果axis=None，則會減少所有維度，並返回具有單個元素的張量。

x = tf.constant([[True,  True], [False, False]])
tf.reduce_all(x)  # False
tf.reduce_all(x, 0)  # [False, False]
tf.reduce_all(x, 1)  # [True, False]

tf.reduce_any 在boolean張量的維度上計算元素的 "邏輯或"

x = tf.constant([[True,  True], [False, False]])
tf.reduce_any(x)  # True
tf.reduce_any(x, 0)  # [True, True]
tf.reduce_any(x, 1)  # [True, False]
 

tf.reduce_max 計算張量的各個維度上元素的最大值

x = tf.constant([[1, 2, 3], [4, 5, 6]])
tf.reduce_max(x)  # 6
tf.reduce_max(x, 0)  # [4, 5, 6]
tf.reduce_max(x, 1)  # [3, 6]
tf.reduce_max(x, 1, keepdims=True)  # [[3],
                                    #  [6]]
tf.reduce_max(x, [0, 1])  # 6

tf.reduce_min  計算張量的各個維度上元素的最小值

x = tf.constant([[1, 2, 3], [4, 5, 6]])
tf.reduce_min(x)  # 1
tf.reduce_min(x, 0)  # [1, 2, 3]
tf.reduce_min(x, 1)  # [1, 4]
tf.reduce_min(x, 1, keepdims=True)  # [[1],
                                    #  [4]]
tf.reduce_min(x, [0, 1])  # 1

tf.reduce_mean 計算張量的各個維度上的元素的平均值

x = tf.constant([[1., 2., 3], [4., 5., 6.]])
tf.reduce_mean(x)  # 3.5
tf.reduce_mean(x, 0)  # [2.5, 3.5, 4.5]
tf.reduce_mean(x, 1)  # [2.,  5.]
tf.reduce_mean(x, 1, keepdims=True)  # [[2.],
                                     #  [5.]]
tf.reduce_mean(x, [0, 1])  # 3.5

要注意資料型別的相容性

x = tf.constant([1, 0, 1, 0])
tf.reduce_mean(x)  # 0
y = tf.constant([1., 0., 1., 0.])
tf.reduce_mean(y)  # 0.5

tf.reduce_sum 計算張量的各個維度上元素的總和 

x = tf.constant([[1, 2, 3], [4, 5, 6]])
tf.reduce_sum(x)  # 21
tf.reduce_sum(x, 0)  # [5, 7, 9]
tf.reduce_sum(x, 1)  # [6, 15]
tf.reduce_sum(x, 1, keepdims=True)  # [[ 6], 
                                    #  [15]]
tf.reduce_sum(x, [0, 1])  # 21

tf.reduce_prod 計算張量的各個維度上元素的乘積

x = tf.constant([[1, 2, 3], [4, 5, 6]])
tf.reduce_prod(x)  # 720
tf.reduce_prod(x, 0)  # [4, 10, 18]
tf.reduce_prod(x, 1)  # [6, 120]
tf.reduce_prod(x, 1, keepdims=True)  # [[  6],
                                     #  [120]]
tf.reduce_prod(x, [0, 1])  # 720

tf.reduce_logsumexp 計算log（sum（exp（張量的各維數的元素））） 

x = tf.constant([[0., 0., 0.], [0., 0., 0.]])
tf.reduce_logsumexp(x)  # log(6)
tf.reduce_logsumexp(x, 0)  # [log(2), log(2), log(2)]
tf.reduce_logsumexp(x, 1)  # [log(3), log(3)]
tf.reduce_logsumexp(x, 1, keepdims=True)  # [[log(3)], [log(3)]]
tf.reduce_logsumexp(x, [0, 1])  # log(6)

這個函式在數值上比 更穩定。它避免了大量輸入的 exp 引起的溢位和小輸入日誌帶來的下溢。

tf.reduce_join 在給定的維度上加入一個字串張量

tf.reduce_join(
    inputs,
    axis=None,
    keep_dims=False,
    separator='',
    name=None,
    reduction_indices=None
)

# tensor `a` is [["a", "b"], ["c", "d"]]
tf.reduce_join(a, 0) # ==> ["ac", "bd"]
tf.reduce_join(a, 1) # ==> ["ab", "cd"]
tf.reduce_join(a, -2) # = tf.reduce_join(a, 0)  ==> ["ac", "bd"]
tf.reduce_join(a, -1) # = tf.reduce_join(a, 1)  ==> ["ab", "cd"]
tf.reduce_join(a, 0, keep_dims=True) # ==> [["ac", "bd"]]
tf.reduce_join(a, 1, keep_dims=True) # ==> [["ab"], ["cd"]]
tf.reduce_join(a, 0, separator=".") # ==> ["a.c", "b.d"]
tf.reduce_join(a, [0, 1]) # ==> "acbd"
tf.reduce_join(a, [1, 0]) # ==> "abcd"
tf.reduce_join(a, []) # ==> [["a", "b"], ["c", "d"]]
tf.reduce_join(a) # = tf.reduce_join(a, [1, 0]) ==> "abcd"

在具有給定形狀的 字串張量中計算跨維度的字串連線。返回一個新的Tensor，它由輸入字串與給定的分隔符separator(預設:空字串)連線建立的。axis為負則從末端向後數，-1相當於n - 1。

• separator：可選的string。預設為""。加入時要使用的分隔符。