二维图像中的axis模型:
1.Axis就是数组层级,亦可以理解为数字的维度,设axis=i,则Numpy沿着第i个下标变化的方向进行操作
Axis就是数组层级
要想理解axis,首先我们先要弄清楚“Numpy中数组的维数”和"线性代数中矩阵的维数"这两个概念以及它们之间的关系。在数学或者物理的概念中,dimensions被认为是在空间中表示一个点所需要的最少坐标个数,但是在Numpy中,dimensions指代的是数组的维数。比如下面这个例子:
>>> import numpy as np
>>> a = np.array([[1,2,3],[2,3,4],[3,4,9]])
>>> a
array([[1, 2, 3],
[2, 3, 4],
[3, 4, 9]])
这个array的维数只有2,即axis轴有两个,分别是axis=0和axis=1。如下图所示,该二维数组的第0维(axis=0)有三个元素(左图),即axis=0轴的长度length为3;第1维(axis=1)也有三个元素(右图),即axis=1轴的长度length为3。正是因为axis=0、axis=1的长度都为3,矩阵横着竖着都有3个数,所以该矩阵在线性代数是3维的(rank秩为3)。
。

因此,axis就是数组层级。
当axis=0,该轴上的元素有3个(数组的size为3)
a[0]、a[1]、a[2]
当axis=1,该轴上的元素有3个(数组的size为3)
a[0][0]、a[0][1]、a[0][2]
(或者a[1][0]、a[1][1]、a[1][2])
(或者a[2][0]、a[2][1]、a[2][2])
再比如下面shape为(3,2,4)的array:
>>> b = np.array([[[1,2,3,4],[1,3,4,5]],[[2,4,7,5],[8,4,3,5]],[[2,5,7,3],[1,5,3,7]]])
>>> b
array([[[1, 2, 3, 4],
[1, 3, 4, 5]],
[[2, 4, 7, 5],
[8, 4, 3, 5]],
[[2, 5, 7, 3],
[1, 5, 3, 7]]])
>>> b.shape
(3, 2, 4)
这个shape(用tuple表示)可以理解为在每个轴(axis)上的size,也即占有的长度(length)。为了更进一步理解,我们可以暂时把多个axes想象成多层layers。axis=0表示第一层(下图黑色框框),该层数组的size为3,对应轴上的元素length = 3;axis=1表示第二层(下图红色框框),该层数组的size为2,对应轴上的元素length = 2;axis=2表示第三层(下图蓝色框框),对应轴上的元素length = 4。

设axis=i,则Numpy沿着第i个下标变化的方向进行操作
1.二维数组示例:
比如np.sum(a, axis=1),结合下面的数组, a[0][0]=1、a[0][1]=2、a[0][2]=3 ,下标会发生变化的方向是数组的第一维。

我们往下标会变化的方向,把元素相加后即可得到最终结果:
[
[6],
[9],
[16]
]
2.三维数组示例:
再举个例子,比如下边这个np.shape(a)=(3,2,4)的3维数组,该数组第0维的长度为3(黑色框框),再深入一层,第1维的长度为2(红色框框),再深入一层,第2维的长度为4(蓝色框框)。

如果我们要计算np.sum(a, axis=1),在第一个黑色框框中,

下标的变化方向如下所示:

所以,我们要把上下两个红色框框相加起来

按照同样的逻辑处理第二个和第三个黑色的框框,可以得出最终结果:

所以,依然是我们前边总结的那一句话,设axis=i,则Numpy沿着第i个下标变化的方向进行操作。

本文深入解析Numpy中axis的概念,阐述其在数组层级中的作用及如何沿特定轴进行操作,如求和等,通过二维和三维数组实例,帮助读者理解axis在不同维度数组中的应用。

被折叠的 条评论
为什么被折叠?



