如何理解np.sum tf.reduce_sum( tf.reduce_max tf.reduce_mean)等對tensor和高維矩陣的axis選擇的操作

阿新 • • 發佈：2019-01-01

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(2,2,4)，那麼當axis=0時，就是在第一個dimension上進行求和，最後得到的結果的shape就是去掉第一個dimension後的shape，也就是(2,4)。具體的計算方法則是，對於c[i,j,k]，假設輸出矩陣為s[j,k]，第一個dimension求和那麼就是
s[j,k]=∑i(c[i,j,k])
如果axis=1，那麼輸出shape就是去掉第二個dim，也就是(2,4)，計算是 s[i,k]=sumj(c[i,j,k])
如果axis=2，那麼輸出shape就是去掉第三個dim，也就是(2,2)，計算是 s[i,j]=sumk(c[i,j,k])
在資料處理裡面經常會碰到高維資料，通過二維矩陣去想它的計算方法就很難了，這個時候只要按axis對應的維度求和，其他維度的位置和形狀不變，最後把shape去掉對應維度(就得到最後的矩陣的維度了)就能理解了

注：這篇部落格應該足夠了，附上另一篇做參考https://blog.csdn.net/GoodShot/article/details/79506812

如何理解np.sum tf.reduce_sum( tf.reduce_max tf.reduce_mean)等對tensor和高維矩陣的axis選擇的操作

如何理解np.sum tf.reduce_sum( tf.reduce_max tf.reduce_mean)等對tensor和高維矩陣的axis選擇的操作

tensorflow reduce系列函式(tf.reduce_mean, tf.reduce_sum, tf.reduce_prod, tf.reduce_max, tf.reduce_min)

tensorflow：tf.reduce_mean()和tf.reduce_sum()

tf.argmax() tf.equal() tf.nn.softmax() eval tf.random_normal tf.reduce_mean tf.reduce_sum

TensorFlow學習（三）：tf.reduce_sum()

tf.nn.conv2d函式、padding型別SAME和VALID、tf.nn.max_pool函式、tf.nn.dropout函式、tf.nn.softmax函式、tf.reduce_sum函式

tf.reduce_sum 降維求和舉例剖析

TF之RNN：TF的RNN中的常用的兩種定義scope的方式get_variable和Variable—Jason niu

TensorFlow 辨異 —— tf.add(a, b) 與 a+b（tf.assign 與 =）、tf.nn.bias_add 與 tf.add（轉）

【TF】tensorflow 中 tf.app.run() 什麼意思？

tf.nn.conv2d & tf.contrib.layers.conv2d & tf.contrib.slim.conv2d

tf.nn.pool()使用例子：TensorFlow對一維資料進行池化

tensorflow詳解-tf.nn.conv2d()，tf.nn.max_pool()

【Tensorflow】tf.app.run() 與 tf.app.flags()

python 中 np.sum()函式通俗易懂理解！

Tensorflow學習筆記(2)：tf.nn.dropout 與 tf.layers.dropout

遇到的問題與解決辦法(tf.train.shuffle_batch與tf.train.slice_input_producer)

tf.assign定義及 tf.assign_add定義

tf.nn.relu與tf.nn.relu_layer

TensorFlow 入門第一課--基本函式學習（2）：tf.nn.conv2d 、tf.contrib.layers.flatten、tf.nn.max_pool 詳解

如何理解np.sum tf.reduce_sum( tf.reduce_max tf.reduce_mean)等對tensor和高維矩陣的axis選擇的操作

相關推薦