读《三体》有感——关于对于矩阵操作维度的企业级理解

读《三体》有感——关于对于矩阵操作维度的企业级理解

抽象总结如下：

当我们指定按某个维度进行操作时，此时该维度便是唯一维，该维度内的任何元素不要进行低维展开！每个元素都看作一个不可分割的个体，操作便是在该维度上对这些元素进行的，而这些元素接受这些操作的形式则是基于其同质性，进行对位操作！

举例如下：

import tensorflow as tf

import numpy as np
matrix1 = [[1.,2.,3.],            #二维，元素为列表
          [4.,5.,6.]]
# [2 3] 0 1 2
matrix2 = [[[1.,2.],
            [3.,4.]],      #三维，元素为矩阵
           [[5.,6.],
            [7.,8.]]]
# [2 2 2]
res_2 = tf.reduce_mean(matrix1)
res_3 = tf.reduce_mean(matrix2)
res1_2 = tf.reduce_mean(matrix1,axis=[0])
res1_3 = tf.reduce_mean(matrix2,axis=[0])
res2_2 = tf.reduce_mean(matrix1,axis=[1])
res2_3 = tf.reduce_mean(matrix2,axis=[2])

sess = tf.Session()
print("reduction_indices=None：res_2={}，res_3={}".format(sess.run(res_2),sess.run(res_3)))
print("reduction_indices=[0]：res1_2={}，res1_3={}".format(sess.run(res1_2),sess.run(res1_3)))
print("reduction_indices=[1]：res2_2={}，res2_3={}".format(sess.run(res2_2),sess.run(res2_3)))

输出：

reduction_indices=None：res_2=3.5，res_3=4.5
reduction_indices=[0]：res1_2=[2.5 3.5 4.5]，res1_3=[[3. 4.]
 [5. 6.]]
reduction_indices=[1]：res2_2=[2. 5.]，res2_3=[[1.5 3.5]
 [5.5 7.5]]