reduce_sum() 用于计算张量tensor沿着某一维度的和，可以在求和后降维。
tf.reduce_sum(
input_tensor,
axis=None,
keepdims=None,
name=None,
reduction_indices=None,
keep_dims=None)
- input_tensor：待求和的tensor;
- axis：指定的维，如果不指定，则计算所有元素的总和;
- keepdims：是否保持原有张量的维度，设置为True，结果保持输入tensor的形状，设置为False，结果会降低维度，如果不传入这个参数，则系统默认为False;
- name：操作的名称;
- reduction_indices：在以前版本中用来指定轴，已弃用;
- keep_dims：在以前版本中用来设置是否保持原张量的维度，已弃用;
什么是维度？什么是轴（axis）？
维度是用来索引一个多维数组中某个具体数所需要最少的坐标数量。
- 0维，又称0维张量，数字，标量：1
- 1维，又称1维张量，数组，vector：[1, 2, 3]
- 2维，又称2维张量，矩阵，二维数组：[[1,2], [3,4]]
- 3维，又称3维张量，立方（cube），三维数组：[ [[1,2], [3,4]], [[5,6], [7,8]] ]
- n维：你应该get到点了吧~
再多的维只不过是是把上一个维度当作自己的元素
1维的元素是标量，2维的元素是数组，3维的元素是矩阵。
在纸上写写看，想要精确定位一个数字，需要几个数字呢？比如上面例子中的3维数组，我们想要3这个数字，至少要3个数字定位，它的坐标是（0为索引起点）：[0, 1, 0]
axis是多维数组每个维度的坐标。
还拿3维来说，数字3的坐标是[0, 1, 0]，那么第一个数字0的axis是0，第二个数字1的axis是1，第三个数字0的axis是2。
让我们再看看我们是如何得到3这个数字的：
- 找到3所在的2维矩阵在这个3维立方的索引：0
- 找到3所在的1维数组在这个2维矩阵的索引：1
- 找到3这个数这个1维数组的索引：0
也就是说，对于[ [[1,2], [3,4]], [[5,6], [7,8]] ]这个3维情况，[[1,2],[3,4]], [[5,6], [7,8]]这两个矩阵（还记得吗，高维的元素低一个维度，因此三维立方的元素是二维矩阵）的axis是0，[1,2]，[3,4]，[5,6]，[7,8]这4个数组（二维矩阵的元素是一维数组）的axis是1，而1，2，3，4，5，6，7，8这8个数的axis是2。
越往里axis就越大，依次加1。
这里需要注意的是，axis可以为负数，此时表示倒数第axis个维度，这和Python中列表切片的用法类似。
下面举个多维tensor例子简单说明。下面是个 2 * 3 * 4 的tensor。
[[[ 1 2 3 4]
[ 5 6 7 8]
[ 9 10 11 12]],
[[ 13 14 15 16]
[ 17 18 19 20]
[ 21 22 23 24]]]
tf.reduce_sum(tensor, axis=0) axis=0 说明是按第一个维度进行求和。那么求和结果shape是3*4
[[1+13 2+14 3+15 4+16]
[5+17 6+18 7+19 8+20]
[9+21 10+22 11+23 12+24]]
依次类推，如果axis=1，那么求和结果shape是2*4，即：
[[ 1 + 5 + 9 2 + 6+10 3 + 7+11 4 + 8+12]
[13+17+21 14+18+22 15+19+23 16+20+24]]
如果axis=2，那么求和结果shape是2*3，即：
[[1+2+3+4 5+6+7+8 9+10+11+12]
[13+14+15+16 17+18+19+20 1+22+23+24]]
类似的方法还有：
- tf.reduce_mean()：计算tensor指定轴方向上的所有元素的累加和；
- tf.reduce_max()：计算tensor指定轴方向上的各个元素的最大值；
- tf.reduce_all()：计算tensor指定轴方向上的各个元素的逻辑和（and运算）；
- tf.reduce_any()：计算tensor指定轴方向上的各个元素的逻辑或（or运算）；
