我正在学习tensorflow,我从tensorflow网站上获取了以下代码。根据我的理解,axis = 0表示行,axis = 1表示列。
他们如何获得评论中提到的输出?我根据我对##的想法提到了输出。
import tensorflow as tf
x = tf.constant([[1, 1, 1], [1, 1, 1]])
tf.reduce_sum(x, 0) # [2, 2, 2] ## [3, 3]
tf.reduce_sum(x, 1) # [3, 3] ##[2, 2, 2]
tf.reduce_sum(x, [0, 1]) # 6 ## Didn't understood at all.
答案 0 :(得分:24)
x
的形状为(2, 3)
(两行三列):
1 1 1
1 1 1
通过执行tf.reduce_sum(x, 0)
,张量沿第一维(行)减少,因此结果为[1, 1, 1] + [1, 1, 1] = [2, 2, 2]
。
通过执行tf.reduce_sum(x, 1)
,张量沿第二维(列)减少,因此结果为[1, 1] + [1, 1] + [1, 1] = [3, 3]
。
通过执行tf.reduce_sum(x, [0, 1])
,张量沿着两个维度(行和列)减少,因此结果为1 + 1 + 1 + 1 + 1 + 1 = 6
或等效[1, 1, 1] + [1, 1, 1] = [2, 2, 2]
,然后2 + 2 + 2 = 6
(沿行减少,然后减少结果数组。)
答案 1 :(得分:19)
输入是2-D张量:
1 1 1
1 1 1
tensorflow中的0轴是行,1轴是列。沿着0轴的总和将产生长度为3
的1-D张量,每个元素是每列总和。结果是[2, 2, 2]
。对于行也是如此。
在这种情况下,两个轴的总和是张量中所有值的总和,即6
。
与numpy的比较:
a = np.array([[1, 1, 1], [1, 1, 1]])
np.sum(a, axis=0) # [2 2 2]
np.sum(a, axis=1) # [3 3]
np.sum(a, axis=(0, 1)) # 6
如您所见,输出相同。
答案 2 :(得分:8)
为了更好地了解发生了什么,我将更改这些值,结果不言而喻
import tensorflow as tf
x = tf.constant([[1, 2, 4], [8, 16, 32]])
a = tf.reduce_sum(x, 0) # [ 9 18 36]
b = tf.reduce_sum(x, 1) # [ 7 56]
c = tf.reduce_sum(x, [0, 1]) # 63
with tf.Session() as sess:
output_a = sess.run(a)
print(output_a)
output_b = sess.run(b)
print(output_b)
output_c = sess.run(c)
print(output_c)
答案 3 :(得分:4)
这样想,轴表示将被消除的尺寸。因此,对于第一个案例轴0,所以如果你通过这个维度(2个条目),它们将全部崩溃为1.因此它将如下:
结果= [[1,1,1] + [1,1,1]] = [2,2,2]
所以你删除了维度0
现在,对于第二种情况,您将折叠轴1(或列),因此:
结果= [[1,1] + [1,1] + [1,1]] = [2,2]
最后一种情况是你按照括号中的顺序继续折叠。换句话说,首先你消除raws然后消除列:
result1 = [2,2,2]
result_final = 2 + 2 +2 = 6
希望这有帮助!
答案 4 :(得分:1)
x具有2行3列,例如:
1 1 1
1 1 1
沿行减少(tf.reduce_sum(x, 0)
)意味着您要从底部和顶部挤压,以便使两个单独的行成为一行。它将变为[2,2,2]。
沿着列(tf.reduce_sum(x, 1)
)缩小意味着您从左右挤压,以便3个单独的列成为1列,即[3,3]。
最后tf.reduce_sum(x, [0, 1])
表示首先从底部和顶部挤压
(它将变为[2,2,2]),然后从左右挤压[2,2,2],使其变为6。
答案 5 :(得分:0)
tf.reduce_sum(x, [0, 1])
命令将首先计算轴= 0(行方向)上的总和,然后将计算轴= 1(列方向)上的总和
例如
x = tf.constant([[1, 1, 1], [1, 1, 1]])
计算出轴上的总和= 0之后,您正在求和[2,2,2]。 在计算轴上的总和= 1之后,您将求和2 + 2 + 2。
最后,得到6作为输出。