numpy中多维数组的轴（axis）

多维数组的轴（axis=）是和该数组的size（或者shape）的元素是相对应的；


>>> np.random.seed(123)
>>> X = np.random.randint(0, 5, [3, 2, 2])
>>> print(X)


[[[5 2]
  [4 2]]


 [[1 3]
  [2 3]]


 [[1 1]
  [0 1]]]


>>> X.sum(axis=0)
array([[7, 6],
       [6, 6]])


>>> X.sum(axis=1)
array([[9, 4],
       [3, 6],
       [1, 2]])


>>> X.sum(axis=2)
array([[7, 6],
       [4, 5],
       [2, 1]])


如果将三维数组的每一个二维看做一个平面（plane，X[0, :, :], X[1, :, :], X[2, :, :]），三维数组即是这些二维平面层叠（stacked）出来的结果。则（axis=0）表示全部平面上的对应位置，（axis=1），每一个平面的每一列，（axis=2），每一个平面的每一行。


考察多维数组的dot运算


numpy.dot(a, b, out=None)


For 2-D arrays it is equivalent to matrix multiplication,


两个二维数组的dot运算遵循矩阵乘法（其实一个二维一个一维也是矩阵乘法（Ax））


and for 1-D arrays to inner product of vectors (without complex conjugation).


两个一维数组的dot运算执行的是内积运算（对应位相乘相加）


For N dimensions it is a sum product over the last axis of a and the second-to-last of b。


dot(a, b)[i,j,k,m] = sum(a[i,j,:] * b[k,:,m]) 
a的最后一轴与b的倒数第二轴，（而 np.tensordot 可灵活地指定相互作用的两个矩阵的任意轴） 
这不正是著名的 Am×n⋅Bn×p，A 的每一行乘以 B的每一列；


>>> X.dot([1, 1])
array([[7, 6],
       [4, 5],
       [2, 1]])
# X的最后一轴是每一个二维的行方向


此时如果我们想通过矩阵与向量（一维）内积的方式实现（np.sum(X, axis=0)的结果）需使用np.tensordots(X, [1, 1, 1], axes=([0], [0]))，具体的用法见 np.tensordots文档。


>>> np.tensordots(X, [1, 1, 1], axes=([0], [0]))


array([[7, 6],
       [6, 6]])


我们再来看看如何实现多维数组求平均的动作（每一个二维平面对应位的平均）：


>>> X = np.random.randint(0, 5, [3, 2, 2])
>>> X
array([[[3, 4],
        [2, 2]],


       [[3, 4],
        [2, 3]],


       [[2, 1],
        [1, 3]]])


>>> np.tensordot(X, [1/3, 1/3, 1/3], axes=([0], [0]))
array([[ 2.66666667,  3.        ],
       [ 1.66666667,  2.66666667]])