tensorflow之axis

之前用python的numpy库的时候一直没理解axis这个概念，最近用tensorflow又碰到这个东西，于是认真学习了一些，并参考了点击打开链接，这里做一下总结。TensorFlow里的axis概念和numpy里是一样的。

axis的概念是针对tensor提出的，在tensor某一维度上进行的操作。讲解太抽象，我们来看看栗子吧

import tensorflow as tf  
x=tf.constant([[1.,2.],[5.,2.]])  


xShape=tf.shape(x)
z1=tf.reduce_mean(x,axis=0)#沿axis=0操作
z2=tf.reduce_mean(x,axis=1)#沿axis=1操作


with tf.Session() as sess:
    xShapeValue,d1,d2=sess.run([xShape,z1,z2])
    print('shape= %s'%(xShapeValue))
    print(d1)
    print(d2)

结果为

现在来分析一下，程序里定义了一个常量tensor，这个tensor的shape是[2,2]即2行2列（x00=1,x01=2,x10=5,x11=2），在程序中，当指定x在axis=0进行求平均操作时，就是指定x00,x10进行求平均，x01,x11进行求平均的操作，当指定x在axis=1进行求平均操作时，就是指定x00,x10进行求平均，x01，x11进行求平均操作。

总结起来，也就是说，当指定axis进行操作时，就使tensor就沿着这个axis变化，而其他的axis不变，按照这样的规则，遍历一次tensor，把得到的元素进行相应的操作。在上面的程序中，指定axis=0，操作，则axis=1这个轴上的数就不变。将这个概念扩充到3维度的tensor

import tensorflow as tf  
x=tf.constant([[[1.,2.],[5.,2.]],[[1.,2.],[5.,2.]]])  

xShape=tf.shape(x)
z1=tf.reduce_mean(x,axis=0)#沿axis=0操作
z2=tf.reduce_mean(x,axis=1)#沿axis=1操作

with tf.Session() as sess:
    xShapeValue,d1,d2=sess.run([xShape,z1,z2])
    print('shape= %s'%(xShapeValue))
    print(d1)
    print(d2)

结果为
只对axis=0的操作分析，按照前面我们总结的规则，axis=1，axis=2不变，只变化axis=0上的数求出一组数进行求平均，也就是x000,x100一组求平均得到1，x010.x110一组求平均得到5，x001,x101一组求平均得到2，x011,x111作为一组求平均得到2。这样得到4个数，再按axis=1和axis=2组成新的tensor就得到结果了。（感觉还是没有人家说的清楚。。。）