np.sum 与x.shape

 1.np.sum(a, axis=1, keepdims=True)

axis=1 以竖轴为基准 ，同行相加
keepdims主要用于保持矩阵的二维特性

2.X.shape

进入python，我们输入以下语句

>>>import numpy as np
>>>a=np.array([0,1,2,3])
>>>b=np.array([[0],[1],[2],[3]])
>>>c=np.array([[0,1,2,3]])
>>>a.shape
(4,)
>>>b.shape
(4, 1)
>>>c.shape
(1, 4)

分析：
a.shape说明数组a的维数是1，其中有4个元素
b.shape说明数组b的维数是2，每行1个元素，有4行
c.shape说明数组c的维数是2，每行4个元素，有1行
 

注意;

shape[0]理解为第一维，shape[1]理解为第二维，同理还有shape[2]、shape[3]等等 。
举个栗子就是：a=array( [ [ [1,2,3] , [4,5,6] ] ] )，这是个三维数组，a.shape[0]=1, a.shape[1]=2, a.shape[2]=3 

from numpy import *
a=array( [ [ [1,2,3] , [4,5,6] ] ] )
a.shape[0]
1
a.shape[1]
2
a.shape[2]
3