从tf.reduce_sum()探究axis的方向

执行tf.reduce_sum(tensor)后，tensor会降维，比如本来是3维张量，会变成2维张量。
三维张量的方向为：

重点考虑下4维张量，首先定义一个4维张量，由2个3维张量组成，每个3维张量形状为3行4列深度为2。

import numpy as np
import tensorflow as tf

const4 = tf.constant(np.arange(0, 48, 1).reshape(2, 3, 4, 2))

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print(sess.run(const4))

输出结果：

[[[[ 0  1]
   [ 2  3]
   [ 4  5]
   [ 6  7]]

  [[ 8  9]
   [10 11]
   [12 13]
   [14 15]]

  [[16 17]
   [18 19]
   [20 21]
   [22 23]]]


 [[[24 25]
   [26 27]
   [28 29]
   [30 31]]

  [[32 33]
   [34 35]
   [36 37]
   [38 39]]

  [[40 41]
   [42 43]
   [44 45]
   [46 47]]]]

几何图可以如下示意：

axis=0

# shape = (2, 3, 4, 2)
sum1 = tf.reduce_sum(const4, axis=0)

axis=1

# shape = (2, 3, 4, 2)
sum1 = tf.reduce_sum(const4, axis=1)

axis=2

# shape = (2, 3, 4, 2)
sum1 = tf.reduce_sum(const4, axis=2)

axis=3

# shape = (2, 3, 4, 2)
sum1 = tf.reduce_sum(const4, axis=3)

小结：

1、shape属性中的每个维度分别与axis=0，axis=1、axis=2、axis=3……对应。
2、对于3维张量，shape = (hights, weights, depths)；对于4维张量，shape = (channels， hights, weights, depths)
3、shape降维规律：假设原本shape=(a,b,c,d)，当axis=0，则变化后的shape_new=(b,c,d)；当axis=1，则变化后的shape_new=(a,c,d)；当axis=2，则变化后的shape_new=(a,b,d)；当axis=3，则变化后的shape_new=(a,b,c)。
4、执行tf.reduce_sum()时，在对应的方向进行相加，然后按照对应的方向把获得的几个张量进行组合，然后在空间中旋转使得维度满足（3）中的规律。
5、关键是掌握axis的方向（1、2）和输出的维度（3），对于（4）中如何旋转的可以忽略。