输入是二维张量：

1 1 1
1 1 1

tensorflow中的0轴是行，1轴是列。 沿着0轴的总和将产生长度为3的一维张量，每个元素都是每个列的总和。结果是[2, 2, 2] 。对于行也是如此。

在这种情况下，沿两个轴的总和是张量中所有值的总和，即6 。

与numpy的比较：

a = np.array([[1, 1, 1], [1, 1, 1]])
np.sum(a, axis=0)       # [2 2 2] 
np.sum(a, axis=1)       # [3 3]
np.sum(a, axis=(0, 1))  # 6

如您所见，输出是相同的。

为了更好地了解发生了什么，我将更改这些值，并且结果不言而喻

import tensorflow as tf

x = tf.constant([[1, 2, 4], [8, 16, 32]])
a = tf.reduce_sum(x, 0)  # [ 9 18 36]
b = tf.reduce_sum(x, 1)  # [ 7 56]
c = tf.reduce_sum(x, [0, 1])  # 63

with tf.Session() as sess:
  output_a = sess.run(a)
  print(output_a)
  output_b = sess.run(b)
  print(output_b)
  output_c = sess.run(c)
  print(output_c)

x的形状为(2, 3) （两行三列）：

1 1 1
1 1 1

通过执行tf.reduce_sum(x, 0) ，张量沿第一维（行）减小，因此结果为[1, 1, 1] + [1, 1, 1] = [2, 2, 2] tf.reduce_sum(x, 0) [1, 1, 1] + [1, 1, 1] = [2, 2, 2] tf.reduce_sum(x, 0) [1, 1, 1] + [1, 1, 1] = [2, 2, 2] tf.reduce_sum(x, 0) [1, 1, 1] + [1, 1, 1] = [2, 2, 2] 。

通过执行tf.reduce_sum(x, 1) ，张量沿第二维（列）减小，因此结果为[1, 1] + [1, 1] + [1, 1] = [3, 3] 。

通过执行tf.reduce_sum(x, [0, 1]) ，张量沿两个维度（行和列）均减小，因此结果为1 + 1 + 1 + 1 + 1 + 1 = 6或等效地为[1, 1, 1] + [1, 1, 1] = [2, 2, 2] ，然后2 + 2 + 2 = 6 （沿行减少，然后减少结果数组）。

这样想，轴表示将要消除的尺寸。因此，对于第一种情况下的轴0 ，因此，如果您经过此维度（2个条目），它们将全部折叠为1。因此，它将如下所示：

result = [[1,1,1] + [1,1,1]] = [2,2,2] 

因此，您删除了尺寸0 。

现在，对于第二种情况，将折叠轴1 （或列），因此：

result = [[1,1] + [1,1] + [1,1]] = [3,3]

最后一种情况是您按照方括号中的指示不断折叠。换句话说，首先消除行，然后消除列：

result1 = [2,2,2]
result_final = 2 + 2 + 2 = 6 

希望这可以帮助！