什么是维度？什么是轴（axis）？如何索引轴（axis）？什么是reduce？

作者：黄璞
链接：https://www.zhihu.com/question/51325408/answer/125426642
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

1. 什么是维度？什么是轴（axis）？如何索引轴（axis）？

注：对Axis比较熟悉的读者可跳过这部分解释，只看加粗字体。

这是一个很大的问题，到底什么是维度呢？维基百科说：

维度，又称维数，是数学中独立参数的数目。在物理学和哲学的领域内，指独立的时空坐标的数目。
0维是一点，没有长度。1维是线，只有长度。2维是一个平面，是由长度和宽度（或曲线）形成面积。3维是2维加上高度形成“体积面”。虽然在一般人中习惯了整数维，但在分形中维度不一定是整数，可能会是一个非整的有理数或者无理数。

妈呀，好复杂，我只是想写个tensorflow代码呀。

那么，编程时，你就可以简单的认为：

维度是用来索引一个多维数组中某个具体数所需要最少的坐标数量。

把这句话多读几遍，我想你肯定会有所顿悟。这里之所以说第一个1维的例子时0维，是因为，一个数字根本不需要索引，因为就只有一个呀。所有不同维度的形式如下：

0维，又称0维张量，数字，标量：1

1维，又称1维张量，数组，vector：[1, 2, 3]

2维，又称2维张量，矩阵，二维数组：[[1,2], [3,4]]

3维，又称3维张量，立方（cube），三维数组：[ [[1,2], [3,4]], [[5,6], [7,8]] ]

n维：你应该get到点了吧~

再多的维只不过是是把上一个维度当作自己的元素

1维的元素是标量，2维的元素是数组，3维的元素是矩阵。

从0维到3维，边看边念咒语“维度是用来索引一个多维数组中某个具体数所需要最少的坐标。”

在纸上写写看，想要精确定位一个数字，需要几个数字呢？比如三维数组，我们想要3这个数字，至少要3个数字定位，它的坐标是（0为索引起点）：[0, 1, 0]

好了，现在就能说了，什么是轴（axis），如何索引axis（代码中常用的变量名，后文就用axis代表轴）。

什么是axis，编程时，你就可以简单的认为：

axis是多维数组每个维度的坐标。

同样，把这句话多读几遍，我想你一定有体悟。

还拿3维来说，数字3的坐标是[0, 1, 0]，那么第一个数字0的axis是0，第二个数字1的axis是1，第三个数字0的axis是2。

让我们再看看我们是如何得到3这个数字的：

1. 找到3所在的2维矩阵在这个3维立方的索引：0
2. 找到3所在的1维数组在这个2维矩阵的索引：1
3. 找到3这个数这个1维数组的索引：0

（这里最好写在纸上看一看，括号比较多。）

也就是说，对于[ [[1,2], [3,4]], [[5,6], [7,8]] ]这个3维情况，[[1,2],[[5,6]], [[3,4], [7,8]]这两个矩阵的axis是0，[1,2]，[3,4]，[5,6]，[7,8]这4个数组的axis是1，而1，2，3，4，5，6，7，8这8个数的axis是2。

越往里axis就越大，依次加1。

那么，对于3维的情况，令a = [ [[1,2], [3,4]], [[5,6], [7,8]] ]，tf.reduce_sum(a, axis=1)应该输出[[ 4, 6], [12, 14]]，这就是处在axis=1的4个数组相加的结果，并reduce掉了一个维度。那么什么是reduce呢？

2. 什么是reduce

reduce这个词字面上来讲，大多称作“归约”，但这个词太专业了，以至于第一眼看不出来意思。我更倾向于解释为“塌缩”，这样就形象多了。对一个n维的情况进行reduce，就是将执行操作的这个维度“塌缩”。还是上面tf.reduce_sum(a, axis=1)的例子，输出[[ 4, 6], [12, 14]]是二维，显然是被“塌缩”了，塌缩的哪个维度呢？就是被操作的维度，第2个维度，也就是axis=1（0开始索引）。tf.reduce_sum(a, axis=1)具体执行步骤如下：

1. 找到a中axis=1的元素，也就是[1,2]，[3,4]，[5,6]，[7,8]这4个数组
2. 在axis=1的维度进行相加也就是[1,2]+[3,4]=[4,6]，[5,6]+[7,8]=[12, 14]
3. “塌缩”这一维度，也就是说“掉一层方括号”，得出[[ 4, 6], [12, 14]]

接下来是一个附加问题：

3. 什么是keepdims

也就是“不掉一层方括号”，tf.reduce_sum(a, axis=1, keepdims=True)得出[[[ 4, 6]], [[12, 14]]]，可以看到还是3维。这种尤其适合reduce完了要和别的同维元素相加的情况。

最后来做个练习吧，对于四维情况[ [ [[1,2], [3,4]] ], [ [[3,4], [5,6]] ] ]，对axis=0，1，2，3分别在草稿纸上进行演算后，用tensorflow做个验证吧~