如何理解Axis？

前言

只有光头才能变强。

回顾前面：

不知道大家最开始接触到axis的时候是怎么样的，反正我是挺难理解的..我们可以发现TensorFlow的很多API都有axis这个参数，如果我们对axis不了解，压根不知道API是怎么搞的。

一句话总结axis：axis可以方便我们将数据进行不同维度的处理。

一、理解axis

如果你像我一样，发现API中有axis这个参数，但不知道是什么意思。可能就会搜搜axis到底代表的什么意思。于是可能会类似搜到下面的信息：

使用0值表示沿着每一列或行标签\索引值向下执行方法(axis=0代表往跨行)

使用1值表示沿着每一行或者列标签模向执行对应的方法(axis=1代表跨列)

但我们又知道，我们的数组不单单只有二维的，还有三维、四维等等。一旦维数超过二维，就无法用简单的行和列来表示了。

所以，可以用我下面的方式进行理解：

axis=0将最开外头的括号去除，看成一个整体，在这个整体上进行运算
axis=1将第二个括号去除，看成一个整体，在这个整体上进行运算
...依次类推

话不多说，下面以例子说明~

1.1二维数组之concat

首先，我们来看个concat的例子，concat第一个参数接收val，第二个参数接收的是axis



def learn_concat():

	# 二维数组

    t1 = tf.constant([[1, 2, 3], [4, 5, 6]])

    t2 = tf.constant([[7, 8, 9], [10, 11, 12]])

    with tf.Session() as sess:

		# 二维数组针对 axis 为0 和 1 的情况

        print(sess.run(tf.concat([t1, t2], 0)))

        print(sess.run(tf.concat([t1, t2], 1)))

ok，下面以图示的方式来说明。现在我们有两个数组，分别是t1和t2：

首先，我们先看axis=0的情况，也就是tf.concat([t1, t2], 0)。从上面的描述，我们知道，先把第一个括号去除，然后将其子内容看成一个整体，在这个整体下进行想对应的运算(这里我们就是concat)。

所以最终的结果是：



[

	[1 2 3],

	[4 5 6],

	[7 8 9],

	[10 11 12]

]

接着，我们再看axis=1的情况，也就是tf.concat([t1, t2], 1)。从上面的描述，我们知道，先把第二个括号去除，然后将其子内容看成一个整体，在这个整体下进行想对应的运算(这里我们就是concat)。

所以最终的结果是：



[

	[1, 2, 3, 7, 8, 9]

	[4, 5, 6, 10, 11, 12]

]

1.2三维数组之concat

接下来我们看一下三维的情况



def learn_concat():

	# 三维数组

    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:

        # 三维数组针对 axis 为0 和 1 和 -1 的情况

        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，下面也以图示的方式来说明。现在我们有两个数组，分别是t3和t4：

首先，我们先看axis=0的情况，也就是tf.concat([t3, t4], 0)。从上面的描述，我们知道，先把第一个括号去除，然后将其子内容看成一个整体，在这个整体下进行想对应的运算(这里我们就是concat)。

所以最终的结果是：



[

	[

		[1 2]

		[2 3]

	]

	[

		[4 4]

		[5 3]

	]

	[

		[7 4]

		[8 4]

	]

	[

		[2 10]

		[15 11]

	]

]

接着，我们再看axis=1的情况，也就是tf.concat([t3, t4], 1)。从上面的描述，我们知道，先把第二个括号去除，然后将其子内容看成一个整体，在这个整体下进行想对应的运算(这里我们就是concat)。

所以最终的结果是：



[

	[

		[1 2]

		[2 3]

		[7 4]

		[8 4]

	]

	[

		[4 4]

		[5 3]

		[2 10]

		[15 11]

	]

]

最后，我们来看一下axis=-1这种情况，在文档也有相关的介绍：

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

所以，对于我们三维的数组而言，那axis=-1实际上就是axis=2，下面我们再来看一下这种情况：

最终的结果是：



[

 [

  [1 2 7 4]

  [2 3 8 4]

 ]

 [

  [4 4 2 10]

  [5 3 15 11]

 ]

]

除了concat以外，其实很多函数都用到了axis这个参数，再举个例子：



>>> 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])

参考资料：

有关axis/axes的理解
- https://zhuanlan.zhihu.com/p/25761406

最后

下一篇是TensorBoard~

乐于输出干货的Java技术公众号：Java3y。公众号内有200多篇原创技术文章、海量视频资源、精美脑图，不妨来关注一下！

觉得我的文章写得不错，不妨点一下赞！