tensor
矩阵的索引顺序：
方向（就是最内层数组）永远是最后一个方向：
。
是倒数第二
是倒数第三
依次往前推……
比如，一个3维矩阵（如图），第一个元素的坐标是：或者：
如果是一个4维矩阵，第一个元素的坐标是：
如果4个维度分别为，那么第一个元素的坐标是：
代码对一个矩阵的表达方式如下：
#1维，x方向
a = [1, 2, 3, 4]
二维矩阵
#2维，yx方向
a = [ [1, 2, 3, 4],
[5, 6, 7, 8] ]
三维矩阵
#3维，zyx方向
a = [ [ [1, 2, 3, 4],
[5, 6, 7, 8],
[9, A, B, C] ],
[ [1, 2, 3, 4],
[5, 6, 7, 8],
[9, A, B, C] ] ]
助记：
- [ [ [ [1, 2, 3, ... ] ] ] ] 数字前，有几个括号，就是几维。
- [ 1维内的所有矩阵：[], [], [],.. ]
- [ [ 2维内的所有矩阵：[], [], ...]]
- [ [ [ 3维内的所有矩阵：[], [], ... ]]]
- [ [ [ ... [ X维内的所有数字：1， 2， 3， 4，... ] ... ] ] ]
<tf.Tensor: shape=(2, 3, 4), dtype=int32, numpy=
array([[[ 1, 2, 3, 4],
[ 5, 6, 7, 8],
[ 9, 10, 11, 12]],
[[ 1, 2, 3, 4],
[ 5, 6, 7, 8],
[ 9, 10, 11, 12]]])>
tf.reduce_sum(a, axis=0, keepdims=True)
<tf.Tensor: shape=(1, 3, 4), dtype=int32, numpy=
array([[[ 2, 4, 6, 8],
[10, 12, 14, 16],
[18, 20, 22, 24]]])>
tf.reduce_sum(a, axis=1, keepdims=True)
<tf.Tensor: shape=(2, 1, 4), dtype=int32, numpy=
array([[[15, 18, 21, 24]],
[[15, 18, 21, 24]]])>
tf.reduce_sum(a, axis=2, keepdims=True)
<tf.Tensor: shape=(2, 3, 1), dtype=int32, numpy=
array([[[10],
[26],
[42]],
[[10],
[26],
[42]]])>
