TensorFlow的reduce_sum()函数

日期：2017.5.20

导师让下周二之前用TensorFlow把MNIST跑通，今天看源码碰到这么一行，发现TensorFlow里面的求和函数和其他语言差别挺大，便记录下来。

import tensorflow as tf

...

# 交叉熵评估代价
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y), reduction_indices=[1]))

...

在知乎上看到几个回答，挺浅显易懂的，话不多说，先上图



上面是TensorFlow官方文档中的函数解释。

其实在reduce_sum()中，是从维度上去考虑的（感觉这个Matlab中数据的概念比较像）



调用

reduce_sum(arg1, arg2)

时，参数

arg1

即为要求和的数据，

arg2

有两个取值分别为0和1，通常用

reduction_indices=[0]

或

reduction_indices=[1]

来传递参数。从上图可以看出，当

arg2 = 0

时，是纵向对矩阵求和，原来矩阵有几列就得到几个值；相似地，当

arg2 = 1

时，是横向对矩阵求和；当省略

arg2

参数时，默认对矩阵所有元素进行求和。

看到这里，函数名的前缀为什么是

reduce_

其实也就很容易理解了，reduce就是“对矩阵降维”的含义，下划线后面的部分就是降维的方式，在

reduce_sum()

中就是按照求和的方式对矩阵降维。那么其他

reduce

前缀的函数也举一反三了，比如

reduce_mean()

就是按照某个维度求平均值，等等。