如何对未知维度的TensorFlow矩阵进行元素求和？

嘿，这个需求其实超简单！TensorFlow里刚好有个直接对应MATLAB sum(m(:)) 的操作，完全不用手动循环维度~

核心方法：tf.reduce_sum() 不带axis参数 #

当你调用 tf.reduce_sum(m) 且不指定axis参数时，它会默认对张量的所有维度进行求和，不管输入是1维、2维还是任意D维，效果和MATLAB里的 sum(m(:)) 完全一致。

代码示例 #

import tensorflow as tf

# 生成不同维度的测试矩阵
# 3维矩阵
m_3d = tf.keras.backend.random_normal([2, 3, 4], mean=6, stddev=0.1, seed=1)
# 1维矩阵
m_1d = tf.keras.backend.random_normal([3], mean=6, stddev=0.1, seed=1)
# 2维矩阵
m_2d = tf.keras.backend.random_normal([3, 7], mean=6, stddev=0.1, seed=1)

# 全局求和操作
sum_3d = tf.reduce_sum(m_3d)
sum_1d = tf.reduce_sum(m_1d)
sum_2d = tf.reduce_sum(m_2d)

# 输出结果（TensorFlow 2.x可直接用.numpy()转成数值）
print("3维矩阵求和结果:", sum_3d.numpy())
print("1维矩阵求和结果:", sum_1d.numpy())
print("2维矩阵求和结果:", sum_2d.numpy())

补充说明 #

如果好奇想获取张量的维度数，可以用 tf.rank(m) 得到，但对于全局求和这个需求来说完全没必要——tf.reduce_sum 已经帮我们处理了所有维度的情况，不用手动循环去逐维求和。

内容的提问来源于stack exchange，提问作者Nick X Tsui