tensorflow：reduce_max函数

Question

考虑以下代码 -

a=tf.convert_to_tensor(np.array([[1001,1002],[3,4]]), dtype=tf.float32)
b=tf.reduce_max(a,reduction_indices=[1], keep_dims=True)
with tf.Session():
   print b.eval()

keep_dims的目的究竟是什么？我测试了很多，看到上面相当于 -

b=tf.reduce_max(a,reduction_indices=[1], keep_dims=False)
b=tf.expand_dims(b,1)

我可能错了，但我的猜测是如果keep_dims为False，我们会得到一个2D coloumn向量。如果keep_dims = True，我们有一个2x1矩阵。但他们有什么不同？

Answer 1

如果减少一个或多个索引（即张量的维数），则可以有效地降低张量的等级（即维度的数量，或者换句话说，为了访问张量所需的索引数量）张量元素）。通过设置keep_dims=True，您可以告诉tensorflow保持您减少的维度。然后它们的大小为1，但它们仍然那里。虽然列向量和nx1矩阵在概念上是相同的，但在张量流中，这些是等级1的张量（您需要单个索引来访问元素）和等级2（您需要两个索引来访问元素）。