张量流：reduce_max 函数

Question

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()

这里keep_dims的目的到底是什么？我测试了很多，发现上面相当于-

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，我们将得到一个 2D 列向量。如果 keep_dims=True，我们有一个 2x1 矩阵。但是它们有什么不同呢？

Answer 1

如果你减少一个或多个指标（即张量的维度），你有效地减少了张量的秩（即它的维度数，换句话说，你需要的指标数，以便访问张量的一个元素）。通过设置 keep_dims=True，您告诉 tensorflow 保留您减少的维度。然后它们的尺寸为 1，但它们仍然 在那里 。虽然列向量和 nx1 矩阵在概念上是相同的，但在张量流中，它们分别是秩为 1（您需要一个索引来访问元素）和秩 2（您需要两个索引来访问元素）的张量。

张量流：reduce_max 函数

tensorflow: reduce_max function

matrix

deep-learning

tensorflow