疑问点4

tf.reduce_sum()

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）；

tf.nn.top_k()

一、函数原型

tf.nn.top_k(
input,
k=1,
sorted=True,
name=None
)

为了找到输入的张量的最后的一个维度的最大的k个值和它的下标！

如果输入的是一个向量，也就是rank=1，找到最大的k个数在这个向量，则输出最大的k个数字和最大的这k个数字的下标。如果输入的张量是一个更高rank的矩阵，那么我们只要找到每一行的最大的k个数字，以及他们的下标。如果两个元素相同，那么低一点的下标先出现。

参数：

input:输入的tensor，不能是array这些啊！要么输入1-D，要是更高维度必须保证最后的一个维度长度必须大于等于K

k:0-D的int32的数字张量。

sorted:如果sorted=True，那么选出来的k个数字就需要按照降序的顺序排序

name:可选项，也就是这个操作的名字

返回：

values：也就是每一行的最大的k个数字

indices：这里的下标是在输入的张量的最后一个维度的下标

二、例子

import tensorflow as tf
import numpy as np

#选出每一行的最大的前两个数字
#返回的是最大的k个数字，同时返回的是最大的k个数字在最后的一个维度的下标
a=tf.constant(np.random.rand(3,4))
b=tf.nn.top_k(a,k=2)
with tf.Session() as sess:
print(sess.run(a))
print(sess.run(b))
结果：

[[0.73731748 0.13455566 0.20236765 0.92909052]
[0.7923021 0.46949081 0.31521194 0.2999236 ]
[0.19102823 0.01301476 0.70615716 0.68501807]]
TopKV2(values=array([[0.92909052, 0.73731748],
[0.7923021 , 0.46949081],
[0.70615716, 0.68501807]]), indices=array([[3, 0],
[0, 1],
[2, 3]], dtype=int32))