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：11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）；