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.]]]