Tensorflow tf.loss.absolute_difference（）如何工作？

我正在处理一些简单的向量，我想用它们做一些数学运算。我想计算向量元素之间的差值之和

例如：

a = [1,2,3]
b = [4,5,6]

评估结果为：

abs(a[0] - b[0]) + abs(a[1] - b[1]) + abs(a[2] - b[2]) = 3 + 3 + 3 = 9

当我在寻找一种使用Tensorflow的方法时，我发现了tf.loss.absolute_difference（）函数。然而，当我开始用它做实验时，我得到了我不太理解的结果

d = [1,1]
e = [2,3]

with tf.Session() as sess:

  sess.run(init)

  t = tf.losses.absolute_difference(e, d)

  print(t.eval())

这里t的值为1.5。我原以为会有三个

d = [1,1]
e = [2,2]

这里t的计算结果为1.0。我本以为会有两个

tf.Loss.absolute_difference（）在这里实际计算的是什么函数？

来自，

tf.Loss.absolute_difference

计算其输入的加权绝对差-默认情况下，

weights=1.0#broadcasted

（计算平均差）：

绝对差值（a，b）=权重。*abs（a-b）/和（权重）#。*=点积 =[1,1].*abs（[2,3]-[1,1]）/（1+1）#为了简单起见列出 =[1,1].*abs（[1,2]）/2 = (1 + 2) / 2 = 1.5