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？我进行了相当多的测试，发现以上内容等同于-

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，我们将获得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？

Answer 1

如果减少一个或多个索引（即张量的维），则可以有效地减少张量的秩（即张量的维数，换句话说，就是访问张量的元素所需的索引数）。张量）。通过设置keep_dims=True，您告诉tensorflow保持减小的尺寸。这样它们的大小将为1，但是它们仍然存在。虽然列向量和nx1矩阵在概念上是相同的，但在张量流中，它们分别是等级1（您需要一个索引来访问元素）和等级2（您需要两个索引来访问元素）的张量。