tf.reduce_mean函数的作用是求平均值。第一个参数是一个集合，可以是列表、二维数组和多维数组。第二个参数指定在哪个维度上面求平均值。默认对所有的元素求平均。tf.reduce_mean
比如，下面是对所有元素求平均值：

x = tf.constant(
[[1., 1.], 
[2., 2.]])

tf.reduce_mean(x)  # 

当指定第二个参数的时候，指定axis=0，表示沿着‘跨行’的方向求平均。对axis的理解可以参考一下这篇博文

结果为：[1.5, 1.5]

第二个参数不仅可以是一个数，也可以是一个数字，里面的数字表示指定所有的的轴的方向。
比如

xx = tf.constant([[[1., 1, 1],
                   [2., 2, 2]],

                  [[3, 3, 3],
                   [4, 4, 4]]])
m3 = tf.reduce_mean(xx, [, ]) # [  ]

上面是一个三维数组， xx的shape为（2，2，3），可以想象为三个2x2的二维数组叠加在一起形成一个2x2x3的立体，也就是三个面叠加。现在的axis为[0, 1]，表示对第1和第2轴的方向求平均值, 也就是分别对每一个面求平均。
第一个面为：
[[1., 2],
[3., 4]]
平均值为2.5

第二个面为
[[1., 2],
[3., 4]]
平均值为2.5

第三个面一样

完整的代码

import tensorflow as tf

x = tf.constant([[1., 1.],
                 [2., 2.]])
tf.reduce_mean(x)  # 
m1 = tf.reduce_mean(x, axis=)  # [, ]
m2 = tf.reduce_mean(x, )  # [,  ]

xx = tf.constant([[[1., 1, 1],
                   [2., 2, 2]],

                  [[3, 3, 3],
                   [4, 4, 4]]])
m3 = tf.reduce_mean(xx, [, ]) # [  ]


with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print(sess.run(m1))
    print(sess.run(m2))

    print(xx.get_shape())
    print(sess.run(m3))

执行结果：
[1.5 1.5]
[1. 2.]
(2, 2, 3)
[2.5 2.5 2.5]