文档反馈

问题文档片段

问题文档片段包含公式时，显示为空格。

提交类型

issue

有点复杂...

找人问问吧。

请选择提交类型

问题类型

规范和低错类

- 规范和低错类：

- 错别字或拼写错误，标点符号使用错误、公式错误或显示异常。

- 链接错误、空单元格、格式错误。

- 英文中包含中文字符。

- 界面和描述不一致，但不影响操作。

- 表述不通顺，但不影响理解。

- 版本号不匹配：如软件包名称、界面版本号。

易用性

- 易用性：

- 关键步骤错误或缺失，无法指导用户完成任务。

- 缺少主要功能描述、关键词解释、必要前提条件、注意事项等。

- 描述内容存在歧义指代不明、上下文矛盾。

- 逻辑不清晰，该分类、分项、分步骤的没有给出。

正确性

- 正确性：

- 技术原理、功能、支持平台、参数类型、异常报错等描述和软件实现不一致。

- 原理图、架构图等存在错误。

- 命令、命令参数等错误。

- 代码片段错误。

- 命令无法完成对应功能。

- 界面错误，无法指导操作。

- 代码样例运行报错、运行结果不符。

风险提示

- 风险提示：

- 对重要数据或系统存在风险的操作，缺少安全提示。

内容合规

- 内容合规：

- 违反法律法规，涉及政治、领土主权等敏感词。

- 内容侵权。

请选择问题类型

问题描述

点击输入详细问题描述，以帮助我们快速定位问题。

提交

文档反馈

mindspore.ops.ReduceSum

class mindspore.ops.ReduceSum(keep_dims=False, skip_mode=False)

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.]]]