图解tensorflow，numpy中axis参数的理解

1. 引言

在利用tensorflow或者numpy对向量/数组（下文统称向量）进行操作时，开发者可以通过设置axis参数来对向量中特定的维度进行操作。因此，理解axis究竟指向哪一个维度就变成了一个重要的问题。本文将结合相应例子，简明扼要地对axis的指向进行介绍。本文重点在于解释axis指向性，下文将统一使用numpy.sum()作为例子进行讲解。

2. 什么是维度？

在日常应用中，维度一般存在两种解释。第一种解释即大家熟悉的坐标数目，例如，[1,3,4]是一维的，这是一条直线。[[1,2],[3,4]]是一个方阵，是二维的。第二种解释认为维度即特征数目。例如，形容用身高，体重，收入三个特征可以具体描述一个人，用这三个特征形成的向量:[身高，体重，收入]是一个三维向量。这两种解释读者应该加以区别。axis对应第一种解释，即针对坐标数目来指定维度的。

3. axis的指向

3.1 对维度的一些理解

高维向量其实就是一个把低维向量作为元素的向量。例如：[[1,2],[2,3]]是一个二维向量，这其实是把一维向量（[1,2],[2,3]）作为元素的向量。三维数组[ [[1,2], [3,4]], [[5,6], [7,8]] ]就是把二维向量（[[1,2], [3,4]]和[[5,6], [7,8]]）作为元素的向量。这样一点理解至关重要。3.2小节将用三位向量为例，说明axis的指向，3.3小节将尝试对四维数组进行axis的指向说明。

3.2 以三维数组为例

三维向量，可以用三维笛卡尔坐标系进行描述。现在有一个形状为2* 3 * 4的三维的向量：

[[[ 1   2   3   4]
  [ 5   6   7   8]
  [ 9   10 11 12]],
 [[ 13  14 15