如何理解Axis？

時間 2019-11-06

標籤如何理解 axis 简体版

原文原文鏈接

前言

只有光頭才能變強。python

回顧前面：數組

不知道你們最開始接觸到axis的時候是怎麼樣的，反正我是挺難理解的..咱們能夠發現TensorFlow的不少API都有axis這個參數，若是咱們對axis不瞭解，壓根不知道API是怎麼搞的。函數

一句話總結axis：axis能夠方便咱們將數據進行不一樣維度的處理。3d

1、理解axis

若是你像我同樣，發現API中有axis這個參數，但不知道是什麼意思。可能就會搜搜axis到底表明的什麼意思。因而可能會相似搜到下面的信息：code

使用0值表示沿着每一列或行標籤\索引值向下執行方法(axis=0表明往跨行)視頻

使用1值表示沿着每一行或者列標籤模向執行對應的方法(axis=1表明跨列)blog

但咱們又知道，咱們的數組不僅僅只有二維的，還有三維、四維等等。一旦維數超過二維，就沒法用簡單的行和列來表示了。索引

因此，能夠用我下面的方式進行理解：token

axis=0將最開外頭的括號去除，當作一個總體，在這個總體上進行運算
axis=1將第二個括號去除，當作一個總體，在這個總體上進行運算
...依次類推

話很少說，下面以例子說明~資源

1.1二維數組之concat

首先，咱們來看個concat的例子，concat第一個參數接收val，第二個參數接收的是axis

def learn_concat():

    # 二維數組
    t1 = tf.constant([[1, 2, 3], [4, 5, 6]])
    t2 = tf.constant([[7, 8, 9], [10, 11, 12]])
    
    with tf.Session() as sess:
        
        # 二維數組針對 axis 爲0 和 1 的狀況
        print(sess.run(tf.concat([t1, t2], 0)))
        print(sess.run(tf.concat([t1, t2], 1)))

ok，下面以圖示的方式來講明。如今咱們有兩個數組，分別是t1和t2：

首先，咱們先看axis=0的狀況，也就是tf.concat([t1, t2], 0)。從上面的描述，咱們知道，先把第一個括號去除，而後將其子內容當作一個總體，在這個總體下進行想對應的運算(這裏咱們就是concat)。

因此最終的結果是：

[
    [1 2 3],
    [4 5 6],
    [7 8 9],
    [10 11 12]
]

接着，咱們再看axis=1的狀況，也就是tf.concat([t1, t2], 1)。從上面的描述，咱們知道，先把第二個括號去除，而後將其子內容當作一個總體，在這個總體下進行想對應的運算(這裏咱們就是concat)。

因此最終的結果是：

[
    [1, 2, 3, 7, 8, 9]
    [4, 5, 6, 10, 11, 12]
]

1.2三維數組之concat

接下來咱們看一下三維的狀況

def learn_concat():

    # 三維數組  
    t3 = tf.constant([[[1, 2], [2, 3]], [[4, 4], [5, 3]]])
    t4 = tf.constant([[[7, 4], [8, 4]], [[2, 10], [15, 11]]])

    with tf.Session() as sess:

        # 三維數組針對 axis 爲0 和 1 和 -1 的狀況
        print(sess.run(tf.concat([t3, t4], 0)))
        print(sess.run(tf.concat([t3, t4], 1)))
        print(sess.run(tf.concat([t3, t4], -1)))

ok，下面也以圖示的方式來講明。如今咱們有兩個數組，分別是t3和t4：

首先，咱們先看axis=0的狀況，也就是tf.concat([t3, t4], 0)。從上面的描述，咱們知道，先把第一個括號去除，而後將其子內容當作一個總體，在這個總體下進行想對應的運算(這裏咱們就是concat)。

因此最終的結果是：

接着，咱們再看axis=1的狀況，也就是tf.concat([t3, t4], 1)。從上面的描述，咱們知道，先把第二個括號去除，而後將其子內容當作一個總體，在這個總體下進行想對應的運算(這裏咱們就是concat)。

因此最終的結果是：

最後，咱們來看一下axis=-1這種狀況，在文檔也有相關的介紹：

As in Python, the axis could also be negative numbers. Negative axis
are interpreted as counting from the end of the rank, i.e.,
axis + rank(values)-th dimension

因此，對於咱們三維的數組而言，那axis=-1實際上就是axis=2，下面咱們再來看一下這種狀況：

最終的結果是：

[
 [
  [1 2 7 4]
  [2 3 8 4]
 ]
 [
  [4 4 2 10]
  [5 3 15 11]
 ]
]

除了concat之外，其實不少函數都用到了axis這個參數，再舉個例子：

>>> item = np.array([[1,4,8],[2,3,5],[2,5,1],[1,10,7]])
>>> item
array([[1, 4, 8],
       [2, 3, 5],
       [2, 5, 1],
       [1, 10, 7]])

>>> item.sum(axis = 1)
array([13, 10,  8, 18])

>>> item.sum(axis = 0)
array([ 6, 22, 21])

參考資料：