Tensorflow 将_和减少一定的维数

我有两个嵌入张量

A

和

B

，看起来像

[
  [1,1,1],
  [1,1,1]
]

及

我想做的是计算L2距离

d（A，B）

元素

首先我做了一个

tf.square（tf.sub（lhs，rhs））

来获得

[
  [1,1,1],
  [0,0,0]
]

然后我想做一个元素级的reduce，它返回

[
  3,
  0
]

---

但是

tf.reduce\u sum

不允许我按行减少。如有任何意见，将不胜感激。谢谢。

添加值为1的

reduction\u index

参数，例如：

tf.reduce_sum( tf.square( tf.sub( lhs, rhs) ), 1 )

这应该会产生你想要的结果。在

reduce\u sum（）

上，根据使用四个参数的

reduce\u sum

函数

tf.reduce_sum(input_tensor, axis=None, keep_dims=False, name=None, reduction_indices=None).

但是

reduction\u index

已被弃用。最好使用axis而不是。如果未设置轴，将减小其所有尺寸

例如，这是从

上述要求可以这样写

import numpy as np
import tensorflow as tf

a = np.array([[1,7,1],[1,1,1]])
b = np.array([[0,0,0],[1,1,1]])

xtr = tf.placeholder("float", [None, 3])
xte = tf.placeholder("float", [None, 3])

pred = tf.reduce_sum(tf.square(tf.subtract(xtr, xte)),1)

# Initializing the variables
init = tf.global_variables_initializer()

# Launch the graph
with tf.Session() as sess:
    sess.run(init)
    nn_index = sess.run(pred, feed_dict={xtr: a, xte: b})
    print nn_index

# 'x' is [[1, 1, 1]
#         [1, 1, 1]]
tf.reduce_sum(x) ==> 6
tf.reduce_sum(x, 0) ==> [2, 2, 2]
tf.reduce_sum(x, 1) ==> [3, 3]
tf.reduce_sum(x, 1, keep_dims=True) ==> [[3], [3]]
tf.reduce_sum(x, [0, 1]) ==> 6

import numpy as np
import tensorflow as tf

a = np.array([[1,7,1],[1,1,1]])
b = np.array([[0,0,0],[1,1,1]])

xtr = tf.placeholder("float", [None, 3])
xte = tf.placeholder("float", [None, 3])

pred = tf.reduce_sum(tf.square(tf.subtract(xtr, xte)),1)

# Initializing the variables
init = tf.global_variables_initializer()

# Launch the graph
with tf.Session() as sess:
    sess.run(init)
    nn_index = sess.run(pred, feed_dict={xtr: a, xte: b})
    print nn_index