如何同时在多个维度上执行reduce_op操作？

Question

假设我有一个由N个张量组成的列表，表示为一个N+1阶张量。例如，一个由100个10x20矩阵组成的列表可以表示为一个形状为(100,10,20)的3阶张量。我需要对这些矩阵执行相同的操作：对每个矩阵进行所有元素的求和、第i个矩阵值的平均值和中位数等操作。

是否可以像tf.math.reduce_sum、tf.math.reduce_mean、tf.contrib.distributions.percentile这样沿着轴0计算整个矩阵，但对沿着0轴的每个元素都进行计算？

例如：

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

op = sum_matrices_along_axis(matrixList)

预计op = [4,8]

最初的回答

- LolAsdOmgWtfAfk

Answer 1

您可以将多个维度传递给减少操作的axis参数：

最初的回答：

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]

即使您事先不知道维度的数量，仍然可以减少“除第一个外的所有”维度：

最初的回答

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]

- jdehesa

---

非常感谢，我不知道可以传递多个轴，但最重要的是我完全忽略了可以将N+1秩张量的元素简单地展平到一个数组中，并在展平后的张量矩阵上执行所有操作，因为它们的维度对我来说并不重要。 - LolAsdOmgWtfAfk

@LolAsdOmgWtfAfk 是的，你也可以这样做：tf.reduce_sum(tf.reshape(tensorsList, [tf.shape(tensorsList)[0], -1]), axis=1)。 - jdehesa

抱歉，N阶张量*。我会尝试最快的选项，谢谢 :) - LolAsdOmgWtfAfk