跨 SparseTensor 的维度计算元素的 tf.sparse.add。

用法

tf.sparse.reduce_sum(
    sp_input, axis=None, keepdims=None, output_is_sparse=False, name=None
)

这是按元素tf.sparse.add op 的归约操作。

此 Op 采用 SparseTensor 并且是 tf.reduce_sum() 的稀疏对应项。特别是，如果 output_is_sparse 是 False ，则此 Op 还返回密集的 Tensor ，如果 output_is_sparse 是 True ，则返回 SparseTensor 。

注意：如果output_is_sparse 为True，则该函数没有定义梯度，因此不能用于需要梯度下降的训练模型。

沿 axis 中给定的尺寸减少 sp_input 。除非 keepdims 为真，否则对于 axis 中的每个条目，张量的秩都会减少 1。如果 keepdims 为真，则保留缩减后的维度，长度为 1。

如果axis 没有条目，则减少所有维度，并返回具有单个元素的张量。此外，轴可以是负数，类似于 Python 中的索引规则。

例如：

'x' 代表 [[1, ?, 1]

[?, 1, ?]]

在哪里 ？是implicitly-zero。

x = tf.sparse.SparseTensor([[0, 0], [0, 2], [1, 1]], [1, 1, 1], [2, 3])
tf.sparse.reduce_sum(x)
<tf.Tensor:shape=(), dtype=int32, numpy=3>
tf.sparse.reduce_sum(x, 0)
<tf.Tensor:shape=(3,), dtype=int32, numpy=array([1, 1, 1], dtype=int32)>
tf.sparse.reduce_sum(x, 1)  # Can also use -1 as the axis
<tf.Tensor:shape=(2,), dtype=int32, numpy=array([2, 1], dtype=int32)>
tf.sparse.reduce_sum(x, 1, keepdims=True)
<tf.Tensor:shape=(2, 1), dtype=int32, numpy=
array([[2],
       [1]], dtype=int32)>
tf.sparse.reduce_sum(x, [0, 1])
<tf.Tensor:shape=(), dtype=int32, numpy=3>