如何理解Axis？

梦里梦外; 2021-09-18 15:20 354阅读 0赞

![169bec84fd23b510_w_1600_h_900_f_jpeg_s_433928][]

## 前言 ##

> 只有光头才能变强。

回顾前面：

*  [从零开始学TensorFlow【01-搭建环境、HelloWorld篇】][TensorFlow_01-_HelloWorld]
 *  [什么是TensorFlow？][TensorFlow]
 *  [TensorFlow读写数据][TensorFlow 1]

不知道大家最开始接触到axis的时候是怎么样的，反正我是挺难理解的…我们可以发现TensorFlow的很多API都有axis这个参数，如果我们对axis不了解，压根不知道API是怎么搞的。

> 一句话总结axis：axis可以方便我们**将数据进行不同维度的处理**。

## 一、理解axis ##

如果你像我一样，发现API中有axis这个参数，但不知道是什么意思。可能就会搜搜axis到底代表的什么意思。于是可能会类似搜到下面的信息：

> 使用0值表示沿着每一列或行标签\\索引值向下执行方法(**axis=0代表往跨行**)
> 
> 使用1值表示沿着每一行或者列标签模向执行对应的方法(**axis=1代表跨列**)

但我们又知道，我们的数组不单单只有二维的，还有三维、四维等等。**一旦维数超过二维，就无法用简单的行和列来表示了**。

所以，可以用我下面的方式进行理解：

*  `axis=0`将最开外头的括号去除，看成一个整体，在这个整体上进行运算
 *  `axis=1`将第二个括号去除，看成一个整体，在这个整体上进行运算
 *  …依次类推

话不多说，下面以例子说明~

### 1.1二维数组之concat ###

首先，我们来看个`concat`的例子，concat第一个参数接收val，第二个参数接收的是axis

def learn_concat():
    
    	# 二维数组
        t1 = tf.constant([[1, 2, 3], [4, 5, 6]])
        t2 = tf.constant([[7, 8, 9], [10, 11, 12]])
    	
        with tf.Session() as sess:
    		
    		# 二维数组针对 axis 为0 和 1 的情况
            print(sess.run(tf.concat([t1, t2], 0)))
            print(sess.run(tf.concat([t1, t2], 1)))

ok，下面以**图示**的方式来说明。现在我们有两个数组，分别是t1和t2：

![两个数组，t1和t2][t1_t2]

首先，我们先看`axis=0`的情况，也就是`tf.concat([t1, t2], 0)`。从上面的描述，我们知道，先把第一个括号去除，然后将其子内容看成一个整体，在这个整体下进行想对应的运算(这里我们就是concat)。

![二维数组 axis=0的concat操作][axis_0_concat]

所以最终的结果是：

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

接着，我们再看`axis=1`的情况，也就是`tf.concat([t1, t2], 1)`。从上面的描述，我们知道，先把第二个括号去除，然后将其子内容看成一个整体，在这个整体下进行想对应的运算(这里我们就是concat)。

![axis=1理解 二维数组 concat][axis_1_ _ concat]

所以最终的结果是：

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

### 1.2三维数组之concat ###

接下来我们看一下三维的情况

def learn_concat():
    
    	# 三维数组 
        t3 = tf.constant([[[1, 2], [2, 3]], [[4, 4], [5, 3]]])
        t4 = tf.constant([[[7, 4], [8, 4]], [[2, 10], [15, 11]]])
    
        with tf.Session() as sess:
    
            # 三维数组针对 axis 为0 和 1 和 -1 的情况
            print(sess.run(tf.concat([t3, t4], 0)))
            print(sess.run(tf.concat([t3, t4], 1)))
            print(sess.run(tf.concat([t3, t4], -1)))

ok，下面也以**图示**的方式来说明。现在我们有两个数组，分别是t3和t4：

![两个数组，t3和t4][t3_t4]

首先，我们先看`axis=0`的情况，也就是`tf.concat([t3, t4], 0)`。从上面的描述，我们知道，先把第一个括号去除，然后将其子内容看成一个整体，在这个整体下进行想对应的运算(这里我们就是concat)。

![axis=0理解 三维数组 concat][axis_0_ _ concat]

所以最终的结果是：

[
    	[
    		[1 2]
    		[2 3]
    	]
    	[
    		[4 4]
    		[5 3]
    	]
    	[
    		[7 4]
    		[8 4]
    	]
    	[
    		[2 10]
    		[15 11]
    	]
    ]

接着，我们再看`axis=1`的情况，也就是`tf.concat([t3, t4], 1)`。从上面的描述，我们知道，先把第二个括号去除，然后将其子内容看成一个整体，在这个整体下进行想对应的运算(这里我们就是concat)。

![axis=1理解 三维数组 concat][axis_1_ _ concat 1]

所以最终的结果是：

[
    	[
    		[1 2]
    		[2 3]
    		[7 4]
    		[8 4]
    	]
    	[
    		[4 4]
    		[5 3]
    		[2 10]
    		[15 11]
    	]
    ]

最后，我们来看一下`axis=-1`这种情况，在文档也有相关的介绍：

> As in Python, the `axis` could also be negative numbers. Negative `axis`  
> are interpreted as counting from the end of the rank, i.e.,  
> `axis + rank(values)`\-th dimension

所以，对于我们三维的数组而言，那`axis=-1`实际上就是`axis=2`，下面我们再来看一下这种情况：

![axis=-1理解 三维数组 concat][axis_-1_ _ concat]

最终的结果是：

[
     [
      [1 2 7 4]
      [2 3 8 4]
     ]
     [
      [4 4 2 10]
      [5 3 15 11]
     ]
    ]

除了concat以外，其实很多函数都用到了axis这个参数，再举个例子：

>>> item = np.array([[1,4,8],[2,3,5],[2,5,1],[1,10,7]])
    >>> item
    array([[1, 4, 8],
           [2, 3, 5],
           [2, 5, 1],
           [1, 10, 7]])
    
    >>> item.sum(axis = 1)
    array([13, 10,  8, 18])
    
    >>> item.sum(axis = 0)
    array([ 6, 22, 21])

参考资料：

*  有关axis/axes的理解
    
     *  [https://zhuanlan.zhihu.com/p/25761406][https_zhuanlan.zhihu.com_p_25761406]

## 最后 ##

下一篇是TensorBoard~

> 乐于输出**干货**的Java技术公众号：Java3y。公众号内有200多篇**原创**技术文章、海量视频资源、精美脑图，不妨来**关注**一下！

![帅的人都关注了][169bec85b905e919_w_258_h_258_f_jpeg_s_21338]

觉得我的文章写得不错，不妨点一下**赞**！

[169bec84fd23b510_w_1600_h_900_f_jpeg_s_433928]: https://user-gold-cdn.xitu.io/2019/3/27/169bec84fd23b510?w=1600&h=900&f=jpeg&s=433928
[TensorFlow_01-_HelloWorld]: https://mp.weixin.qq.com/s?__biz=MzI4Njg5MDA5NA==&mid=2247484946&idx=1&sn=ee8615d443fa3956bbf85df67d2045e3&chksm=ebd74713dca0ce055fee3cf8a88515ca0089c706a68a2449ce61a9e1edbfc4be763ecb93900a#rd
[TensorFlow]: https://mp.weixin.qq.com/s?__biz=MzI4Njg5MDA5NA==&mid=2247484954&idx=1&sn=378482d86bb800076f7add67d2091d55&chksm=ebd7471bdca0ce0dc50c1807b17f6abe1df2c8a3d97cd2f304345221a8217d0c6463434a530f&token=1294297615&lang=zh_CN#rd
[TensorFlow 1]: https://mp.weixin.qq.com/s?__biz=MzI4Njg5MDA5NA==&mid=2247484984&idx=1&sn=b11d353aa5aa9e7964c715f5ab7d4ddd&chksm=ebd74739dca0ce2f82f21586531a03effe69d78ab21671d116ffb56aa6f1220e5a3028d1bc5e&token=1654086222&lang=zh_CN#rd
[t1_t2]: https://user-gold-cdn.xitu.io/2019/3/27/169bec84e8cc554c?w=595&h=262&f=png&s=4662
[axis_0_concat]: https://user-gold-cdn.xitu.io/2019/3/27/169bec84f5ef1ffd?w=752&h=763&f=png&s=33277
[axis_1_ _ concat]: https://user-gold-cdn.xitu.io/2019/3/27/169bec84f3710a5d?w=763&h=703&f=png&s=38503
[t3_t4]: https://user-gold-cdn.xitu.io/2019/3/27/169bec84e6522a76?w=909&h=362&f=png&s=6624
[axis_0_ _ concat]: https://user-gold-cdn.xitu.io/2019/3/27/169bec84f5a6e86a?w=770&h=1091&f=png&s=43602
[axis_1_ _ concat 1]: https://user-gold-cdn.xitu.io/2019/3/27/169bec85b185fbaf?w=794&h=1091&f=png&s=45049
[axis_-1_ _ concat]: https://user-gold-cdn.xitu.io/2019/3/27/169bec85bb90ba06?w=794&h=1024&f=png&s=46846
[https_zhuanlan.zhihu.com_p_25761406]: https://zhuanlan.zhihu.com/p/25761406
[169bec85b905e919_w_258_h_258_f_jpeg_s_21338]: https://user-gold-cdn.xitu.io/2019/3/27/169bec85b905e919?w=258&h=258&f=jpeg&s=21338