mindspore.ops.ReduceSum
- class mindspore.ops.ReduceSum(keep_dims=False, skip_mode=False)[源代码]
默认情况下,输出Tensor各维度上的和,以达到对所有维度进行归约的目的。也可以对指定维度进行求和归约。
通过指定 keep_dims 参数,来控制输出和输入的维度是否相同。
说明
Tensor类型的 axis 仅用作兼容旧版本,不推荐使用。
- 参数:
keep_dims (bool) - 如果为
True
,则保留计算维度,长度为1。如果为False
,则不保留计算维度。默认值:False
,输出结果会降低维度。skip_mode (bool) - 如果为
True
,并且 axis 为空tuple或空list,不进行ReduceSum计算, axis 为其他值,正常运算。如果为False
,则正常进行运算。默认值:False
。
- 输入:
x (Tensor[Number]) - 输入Tensor。
axis (Union[int, tuple(int), list(int), Tensor]) - 要减少的维度。默认值:
()
,当 skip_mode 为False
时,缩小所有维度。只允许常量值,取值范围[-rank(x), rank(x))。
- 输出:
Tensor,具有与输入 x 相同的shape。
如果 axis 为
()
,且 keep_dims 为False
, skip_mode 为False
,则输出一个零维Tensor,表示输入Tensor中所有元素的和。如果 axis 为
()
,且 skip_mode 为True
,则不进行ReduceSum运算,输出Tensor等于输入Tensor。如果 axis 为int,取值为2,并且 keep_dims 为
False
,则输出的shape为 \((x_1, x_3, ..., x_R)\) 。如果 axis 为tuple(int)或list(int),取值为(2, 3),并且 keep_dims 为
False
,则输出的shape为 \((x_1, x_4, ..., x_R)\) 。如果 axis 为一维Tensor,取值为[2, 3],并且 keep_dims 为
False
,则输出Tensor的shape为 \((x_1, x_4, ..., x_R)\) 。
- 异常:
TypeError - keep_dims 不是bool。
TypeError - skip_mode 不是bool。
TypeError - x 不是Tensor。
ValueError - axis 取值为None。
- 支持平台:
Ascend
GPU
CPU
样例:
>>> import mindspore >>> import numpy as np >>> from mindspore import Tensor, ops >>> x = Tensor(np.random.randn(3, 4, 5, 6).astype(np.float32)) >>> op = ops.ReduceSum(keep_dims=True) >>> output = op(x, 1) >>> output.shape (3, 1, 5, 6) >>> # case 1: Reduces a dimension by summing all elements in the dimension. >>> x = Tensor(np.array([[[1, 1, 1, 1, 1, 1], [2, 2, 2, 2, 2, 2], [3, 3, 3, 3, 3, 3]], ... [[4, 4, 4, 4, 4, 4], [5, 5, 5, 5, 5, 5], [6, 6, 6, 6, 6, 6]], ... [[7, 7, 7, 7, 7, 7], [8, 8, 8, 8, 8, 8], [9, 9, 9, 9, 9, 9]]]), mindspore.float32) >>> output = op(x) >>> print(output) [[[270.]]] >>> print(output.shape) (1, 1, 1) >>> # case 2: Reduces a dimension along axis 0. >>> output = op(x, 0) >>> print(output) [[[12. 12. 12. 12. 12. 12.] [15. 15. 15. 15. 15. 15.] [18. 18. 18. 18. 18. 18.]]] >>> # case 3: Reduces a dimension along axis 1. >>> output = op(x, 1) >>> print(output) [[[ 6. 6. 6. 6. 6. 6.]] [[15. 15. 15. 15. 15. 15.]] [[24. 24. 24. 24. 24. 24.]]] >>> # case 4: Reduces a dimension along axis 2. >>> output = op(x, 2) >>> print(output) [[[ 6.] [12.] [18.]] [[24.] [30.] [36.]] [[42.] [48.] [54.]]]