原文链接:https://blog.csdn.net/qq_34062683/article/details/84847821
reduction_indices,直译过来就是指“坍塌维度”,即按照哪个维度进行加法运算。
如:

由于square(y-x)=[1,4,9,16],是个一维向量(张量),所以reduction_indices只能设为0,设其他会报错。运算结果是30,也就是1维坍塌为0维。
将xy换成二维张量试试:

此时,square(y-x)=[[1,4,9,16],[1,4,9,16]],各位猜测一下结果是多少呢?没错,就是按照0维坍塌,即“行”,即原来的n行变1行,即按行进行sum,答案为[2,8,18,32]。
举一反三,如果reduction_indices=[1]呢?
答案是:[30,30],可以理解为[[30],[30]]。
over。
本文介绍了如何在Python中使用reduction_indices进行张量的维度坍塌,通过实例展示了如何在不同维度上进行加法运算,包括一维和二维张量的情况。重点在于理解张量的reduction_indices参数在sum操作中的作用。
1899

被折叠的 条评论
为什么被折叠?



