在使用tensorflow时，经常会用到reduce_sum这个函数，表示对数据进行求和，但它的参数的作用却不是那么容易明白。
reduce_sum(
input_tensor,
axis=None,
keep_dims=False,
name=None,
reduction_indices=None
)
参数一：axis
沿着哪个维度求和。对于二维的input_tensor张量，0表示按列求和，1表示按行求和，[0, 1]表示先按列求和再按行求和。
x = np.asarray([[1, 1, 1],
[1, 1, 1]])
x_p = tf.placeholder(tf.int32, [2, 3])
y = tf.reduce_sum(x_p, axis=0)
with tf.Session() as sess:
output = sess.run(y, feed_dict={x_p: x})
print(output)
输出结果如下：[2 2 2]，每一个元素是之前一列元素的和。
若axis=1，则输出是：[3,3]；若axis=[0,1]，则输出是： 6
参数二：keep_dims
默认值为Flase，表示默认要降维。若设为True，则不降维。
从上面的例子中，可以看到，x是一个二维数组，求和后变成了一位数组，默认降了维度，这是因为keep_dims参数默认Flase，表示降维，若想让结果仍为二维的，可以将keep_dims设置为True
修改上面代码如下：
x = np.asarray([[1, 1, 1],
[1, 1, 1]])
x_p = tf.placeholder(tf.int32, [2, 3])
y = tf.reduce_sum(x_p, axis=0, keep_dims=True)
with tf.Session() as sess:
output = sess.run(y, feed_dict={x_p: x})
print(output)
输出结果是：[[2 2 2]]， 若将axis设置为1， 输出结果为：[ [3] [3] ]
参数三：reduction_indice
默认值是None，即把input_tensor降到 0维，也就是一个数。对于2维input_tensor，reduction_indices=0时，按列；reduction_indices=1时，按行。注意，reduction_indices与axis不能同时设置。
x = np.asarray([[1, 1, 1],
[1, 1, 1]])
x_p = tf.placeholder(tf.int32, [2, 3])
y = tf.reduce_sum(x_p,)
with tf.Session() as sess:
output = sess.run(y, feed_dict={x_p: x})
print(output)
由于上面的代码没有设置reduction_indice，默认降到0维，输出：6
x = np.asarray([[1, 1, 1],
[1, 1, 1]])
x_p = tf.placeholder(tf.int32, [2, 3])
y = tf.reduce_sum(x_p,reduction_indices=[1])
with tf.Session() as sess:
output = sess.run(y, feed_dict={x_p: x})
print(output)
设置reduction_indices为1，输出是：[3 3]， 设置reduction_indices为0，输出是：[2 2 2]。reduction_indices也可以像axis那样配合keep_dims一起使用，不让结果降维。
********************不积跬步无以至千里********************
原文地址：https://www.cnblogs.com/liangxiyang/p/12096826.html