执行tf.reduce_sum(tensor)后，tensor会降维，比如本来是3维张量，会变成2维张量。
三维张量的方向为：
重点考虑下4维张量，首先定义一个4维张量，由2个3维张量组成，每个3维张量形状为3行4列深度为2。
import numpy as np
import tensorflow as tf
const4 = tf.constant(np.arange(0, 48, 1).reshape(2, 3, 4, 2))
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
print(sess.run(const4))
输出结果：
[[[[ 0 1]
[ 2 3]
[ 4 5]
[ 6 7]]
[[ 8 9]
[10 11]
[12 13]
[14 15]]
[[16 17]
[18 19]
[20 21]
[22 23]]]
[[[24 25]
[26 27]
[28 29]
[30 31]]
[[32 33]
[34 35]
[36 37]
[38 39]]
[[40 41]
[42 43]
[44 45]
[46 47]]]]
几何图可以如下示意：
axis=0
# shape = (2, 3, 4, 2)
sum1 = tf.reduce_sum(const4, axis=0)
axis=1
# shape = (2, 3, 4, 2)
sum1 = tf.reduce_sum(const4, axis=1)
axis=2
# shape = (2, 3, 4, 2)
sum1 = tf.reduce_sum(const4, axis=2)
axis=3
# shape = (2, 3, 4, 2)
sum1 = tf.reduce_sum(const4, axis=3)
小结：
1、shape属性中的每个维度分别与axis=0，axis=1、axis=2、axis=3……对应。
2、对于3维张量，shape = (hights, weights, depths)；对于4维张量，shape = (channels， hights, weights, depths)
3、shape降维规律：假设原本shape=(a,b,c,d)，当axis=0，则变化后的shape_new=(b,c,d)；当axis=1，则变化后的shape_new=(a,c,d)；当axis=2，则变化后的shape_new=(a,b,d)；当axis=3，则变化后的shape_new=(a,b,c)。
4、执行tf.reduce_sum()时，在对应的方向进行相加，然后按照对应的方向把获得的几个张量进行组合，然后在空间中旋转使得维度满足（3）中的规律。
5、关键是掌握axis的方向（1、2）和输出的维度（3），对于（4）中如何旋转的可以忽略。
