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()

keep_dims 的目的到底是什么？我测试了很多，发现上面的等价于-

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，我们会得到一个 2D 列向量。如果 keep_dims=True，我们有一个 2x1 矩阵。但它们有何不同？

Answer 1

如果你减少一个或多个索引（即张量的维度），你有效地减少了张量的等级（即它的维度数量，或者换句话说，你需要的索引数量来访问一个张量的元素）。通过设置keep_dims=True，您是在告诉 tensorflow 保留您减少的维度。然后它们将具有大小 1，但它们仍然存在。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（您需要一个索引来访问一个元素）和秩 2（您需要两个索引来访问一个元素）的张量。