关于深度学习中矩阵的Axis（轴）

一.矩阵是深度学习中一个非常非常重要得概念，下面是关于维的一些理解

           张量的阶数有时候也称为维度，或者轴，轴这个词翻译自英文axis。譬如一个矩阵[[1,2],[3,4]]，是一个2阶张量，有两个维度或轴，沿着第0个轴（为了与python的计数方式一致，本文档维度和轴从0算起）你看到的是[1,2]，[3,4]两个向量，沿着第1个轴你看到的是[1,3]，[2,4]两个向量。

要理解“沿着某个轴”是什么意思，不妨试着运行一下下面的代码：

import numpy as np

a = np.array([[[1,2],[3,4]],[[5,6],[7,8]]])
sum0 = np.sum(a, axis=0)
sum1 = np.sum(a, axis=1)
sum2 = np.sum(a ,axis=2)
print(sum0)
print(sum1)
print(sum2)

Axis=0 表示的是所示矩阵中最外层的“轴”，“1 5 ”，“2 6”，“3 7”...

Axis=1 表示的是剔除最外层矩阵后最外层的“”轴“  ”1 3“ “2 4 ”，“5 7”，“6 8”...

Axis=2 依此类推，剔除前面所有的”轴” ”1 2“ “3 4 ”，“5 6”，“7 8”..

因此sum分别为

[[ 6  8] [10 12]]          [[ 4  6][12 14]]                   [[ 3  7][11 15]]

 

               理解了这个“轴”，再谈谈这个“轴”的应用 ，运行下列代码：

import numpy as np

arr2 = np.random.randn(2,3)
print(arr2)

表示从标准正态分布中返回一个或多个样本值。 而（2，3）正是返回值的矩阵，由此推测返回形式为Axis=0 有2个数，Axis=1有3个数的矩阵，即

[[ 1.01679582  0.02093434 -0.48180997]   [-0.13738242  0.48746367  0.22310166]]

            由此，通过（x,y,z，...）的形式，我们便可以搭建出矩阵