sum¶

paddle.sparse.sum(x, axis=None, dtype=None, keepdim=False, name=None):

计算给定维度 axis 上稀疏张量 x 元素的和。输入 x 必须为稀疏压缩格式（ SparseCooTensor 或 SparseCsrTensor）。

等式为：

\[out = sum(x, axis, dtype, keepdim)\]

参数¶

x (Tensor) - 输入的 Tensor，数据类型为 bool、float16、float32、float64、int32 或 int64。

axis (int|list|tuple，可选) - 沿着哪些维度进行求和操作。如果为 None，则对 x 的所有元素进行求和并返回一个只有一个元素的 Tensor；否则必须在 \([-rank(x), rank(x))\) 范围内。如果 \(axis[i] < 0\)，则要减少的维度是 \(rank + axis[i]\)。

dtype (str，可选) - 输出 Tensor 的数据类型。默认值为 None，表示与输入 Tensor x 数据类型一致。

keepdim (bool，可选) - 是否在输出 Tensor 中保留减少的维度。如果为 True，则结果 Tensor 的维数比 x 少一维，否则与 x 维数一致。默认值为 False。

name (str，可选) - 具体用法请参见 Name，一般无需设置，默认值为 None。

返回¶

Tensor，在指定维度上进行求和运算的 Tensor。如果 x.dtype='bool' 或 x.dtype='int32'，则其数据类型为 'int64'，否则数据类型与 x 一致。

代码示例¶

          >>> import paddle

>>> dense_x = paddle.to_tensor([[-2., 0.], [1., 2.]])
>>> sparse_x = dense_x.to_sparse_coo(1)
>>> out1 = paddle.sparse.sum(sparse_x)
>>> out1
Tensor(shape=[1], dtype=paddle.float32, place=Place(cpu), stop_gradient=True,
    indices=[0],
    values=1.)
>>> out2 = paddle.sparse.sum(sparse_x, axis=0)
>>> out2
Tensor(shape=[1, 2], dtype=paddle.float32, place=Place(cpu), stop_gradient=True,
    indices=[[0]],
    values=[[-1.,  2.]])
>>> out3 = paddle.sparse.sum(sparse_x, axis=-1)
>>> out3
Tensor(shape=[2], dtype=paddle.float32, place=Place(cpu), stop_gradient=True,
    indices=[[0, 1]],
    values=[-2.,  3.])
>>> out4 = paddle.sparse.sum(sparse_x, axis=1, keepdim=True)
>>> out4
Tensor(shape=[2, 1], dtype=paddle.float32, place=Place(cpu), stop_gradient=True,
    indices=[[0, 1]],
    values=[[-2.],
            [ 3.]])

         