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

此函式計算一個張量的各個維度上元素的乘積（張量沿著某一維度計算乘積）。 
Computes the product of elements across dimensions of a tensor. (deprecated arguments)。
這裡的prod應該是product(乘積)
函式中的input_tensor是按照axis中已經給定的維度來減少的；除非 keep_dims 是true，否則張量的秩將在axis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沒有條目，則縮小所有維度，並返回具有單個元素的張量。

引數：
input_tensor：要減少的張量。應該有數字型別。
axis：要減小的尺寸。如果為None（預設），則將縮小所有尺寸。必須在[-rank(input_tensor), rank(input_tensor))範圍內。沿著哪個維度縮減，
哪個維度就不存在了。
keep_dims：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：axis的廢棄的名稱。

返回：
結果返回減少的張量。
'''

import tensorflow as tf
a = tf.constant([i+1 for i in range(6)], shape=[2, 3])
sess = tf.Session()
b = tf.reduce_prod(a)
c = tf.reduce_prod(a, 0)
d = tf.reduce_prod(a, 1)
e = tf.reduce_prod(a, 1, keep_dims=True)
f = tf.reduce_prod(a, [0, 1])
print("b: ", sess.run(b))
print("c: ", sess.run(c))
print("d: ", sess.run(d))
print("e: ", sess.run(e))
print("f: ", sess.run(f))
sess.close()

output:

b:  720
c:  [ 4 10 18]
d:  [  6 120]
e:  [[  6]
 [120]]
f:  720


'''
tf.placeholder(
    dtype,
    shape=None,
    name=None
)
佔位符，可以理解成C語言中的巨集定義
'''
import tensorflow as tf
import numpy as np

s_1_flex = (None, None, None)
a = tf.placeholder(dtype=tf.int32, shape=s_1_flex, name="my_input")
b = tf.reduce_prod(a, name="prod_b")
c = tf.reduce_sum(a, name="sum_c")
d = tf.add(b, c, name="add_d")
sess = tf.Session()

#input_array = np.array([i+1 for i in range(24)]).reshape([2, 2， 3])
input_array = np.arange(1, 25, 1).reshape([3, 2, 4])  #tensor.reshape(a, b, c)表示每一維度的元素數目
input_dict = {a: input_array}
sess.run(c, feed_dict=input_dict)

output：

300