如何理解np.sum tf.reduce_sum( tf.reduce_max tf.reduce_mean)等对tensor和高维矩阵的axis选择的操作

一个不是很简单，但是很好理解的方法是：你的输入矩阵的shape是(2,2,4)，那么当axis=0时，就是在第一个dimension上进行求和，最后得到的结果的shape就是去掉第一个dimension后的shape，也就是(2,4)。具体的计算方法则是，对于c[i,j,k]，假设输出矩阵为s[j,k]，第一个dimension求和那么就是
s[j,k]=∑i(c[i,j,k])
如果axis=1，那么输出shape就是去掉第二个dim，也就是(2,4)，计算是 s[i,k]=sumj(c[i,j,k])
如果axis=2，那么输出shape就是去掉第三个dim，也就是(2,2)，计算是 s[i,j]=sumk(c[i,j,k])
在数据处理里面经常会碰到高维数据，通过二维矩阵去想它的计算方法就很难了，这个时候只要按axis对应的维度求和，其他维度的位置和形状不变，最后把shape去掉对应维度(就得到最后的矩阵的维度了)就能理解了

注：这篇博客应该足够了，附上另一篇做参考https://blog.csdn.net/GoodShot/article/details/79506812