Python 如何一次对多个维度执行reduce_op？

假设我有一个N阶张量列表，表示为N+1阶张量。例如，将100个10x20矩阵列为具有形状（100,10,20）的秩3张量。我需要对每个矩阵执行相同的操作：对每个矩阵的所有元素求和，第I个矩阵值的平均值和中值。 是否可以沿轴0执行类似于

tf.math.reduce\u sum

，

tf.math.reduce\u mean

，

tf.contrib.distributions.percentile

，但沿轴0一次计算每个元素的整个矩阵

例如：

matricesList = tf.constant([[[1,1],[1,1]],
                           [[2,2],[2,2]]])

op = sum_matrices_along_axis(matrixList)

---

使用预期的

op=[4,8]

可以将多个维度传递给缩减操作的

轴

参数：

import tensorflow as tf

matricesList = tf.constant([[[1, 1], [1, 1]],
                            [[2, 2], [2, 2]]])
matricesSum = tf.reduce_sum(matricesList, axis=[1, 2])
with tf.Session() as sess:
    print(sess.run(matricesSum))
    # [4 8]

即使您事先不知道尺寸的数量，也可以减少“除第一个尺寸外的所有尺寸”：

import tensorflow as tf

# The number of dimensions of tensorsList is unspecified
tensorsList = tf.placeholder(tf.int32)
# Dimensions from one to the last one
reduceDims = tf.range(1, tf.rank(tensorsList))
tensorsSum = tf.reduce_sum(tensorsList, axis=reduceDims)
with tf.Session() as sess:
    matrices = [[[1, 1], [1, 1]],
                [[2, 2], [2, 2]]]
    print(sess.run(tensorsSum, feed_dict={tensorsList: matrices}))
    # [4 8]

---

非常感谢，我不知道可以通过多轴，但最重要的是，我完全没有想到我可以简单地展平数组中N+1秩张量的元素，并计算展平张量矩阵上的所有运算，因为我不介意它们的维数。@LolAsdOmgWtfAfk是的，没错，你也可以做

tf.reduce_sum（tf.reformate（tensorsList）[tf.shape（tensorsList）[0]，-1]），axis=1）

。对不起，N秩张量*我将尝试最快的选项，谢谢：）