Matrix tensorflow：reduce_max函数

考虑以下代码-

a=tf.convert_to_tensor(np.array([[1001,1002],[3,4]]), dtype=tf.float32)
b=tf.reduce_max(a,reduction_indices=[1], keep_dims=True)
with tf.Session():
   print b.eval()

在这里保持昏暗的目的到底是什么？我做了很多测试，发现上面的内容相当于-

b=tf.reduce_max(a,reduction_indices=[1], keep_dims=False)
b=tf.expand_dims(b,1)

---

我可能错了，但我的猜测是，如果keep_dims为False，我们就得到了一个2D Column向量。如果keep_dims=True，我们有一个2x1矩阵。但它们有何不同

如果减少一个或多个索引（即张量的维数），则可以有效地减少张量的秩（即其维数或换句话说，访问张量元素所需的索引数）。通过设置

keep_dims=True

，您告诉tensorflow保留您减少的维度。他们将有大小1，但他们仍然存在。虽然列向量和nx1矩阵在概念上是相同的，但在tensorflow中，它们分别是秩1（访问元素需要一个索引）和秩2（访问元素需要两个索引）的张量。

如果减少一个或多个索引（即张量的维数），有效地降低了张量的秩（即其维数，或者换句话说，访问张量元素所需的索引数）。通过设置

keep_dims=True

，您告诉tensorflow保留您减少的维度。他们将有大小1，但他们仍然存在。虽然列向量和nx1矩阵在概念上是相同的，但在tensorflow中，它们分别是秩1（访问元素需要一个索引）和秩2（访问元素需要两个索引）的张量