因为最近在用tf里边的各种tensor的不同axis操作,搞得头很疼,所以用numpy里边的axis的操作来看看这个axis的含义
首先定义一个np,shape为(2,2,2)
a=np.array([[[1,2],[3,4]],[[5,6],[7,8]]])
print出来是
[[[1 2]
[3 4]][[5 6]
[7 8]]]
接下来分析每个数字的坐标
1为(0,0,0),2为(0,0,1),3为(0,1,0),4为(0,1,1),5为(1,0,0),6为(1,0,1),7为(1,1,0),8为(1,1,1)
接下来进行np.sum操作
b=np.sum(a,axis=(0))
输出结果为
[[ 6 8]
[10 12]]
可以看到结果是一个shape为(2,2)的tensor
其中6=1(0,0,0)+5(1,0,0),8=2(0,0,1)+6(1,0,1),10=3(0,1,0)+7(1,1,0),12=4(0,1,1)+8(1,1,1)
可以看到,以此相加的两个数,最后两维坐标相同,第一维度坐标不同
b=np.sum(a,axis=(0,1))
输出结果为
[16 20]
可以看到结果是一个shape为(2)的tensor
其中16=1(0,0,0)+3(0,1,0)+5(1,0,0)+7(1,1,0),20=2(0,0,1)+4(0,1,1)+6(1,0,1)+8(1,1,1)
相加的数,最后一维坐标相同,前两维坐标不同
b=np.sum(a,axis=(0,1,2))
输出结果为
36
这次是没有固定维度坐标,直接全部相加
b=np.sum(a,axis=(1))
输出结果为
[[ 4 6]
[12 14]]
其中4=1(0,0,0)+3(0,1,0),6=2(0,0,1)+4(0,1,1),12=5(1,0,0)+7(1,1,0),146(1,0,1)+8(1,1,1)
最终得到结论,np.sum中的参数axis为进行操作的维度,没有在axis中输入的维度为固定的维度,使用固定维度相同的数进行操作