前言
只有光頭才能變強。
回顧前面：
不知道大家最開始接觸到axis的時候是怎麼樣的，反正我是挺難理解的..我們可以發現TensorFlow的很多API都有axis這個引數，如果我們對axis不瞭解，壓根不知道API是怎麼搞的。
一句話總結axis：axis可以方便我們將資料進行不同維度的處理。
一、理解axis
如果你像我一樣，發現API中有axis這個引數，但不知道是什麼意思。可能就會搜搜axis到底代表的什麼意思。於是可能會類似搜到下面的資訊：
使用0值表示沿著每一列或行標籤\索引值向下執行方法(axis=0代表往跨行)
使用1值表示沿著每一行或者列標籤模向執行對應的方法(axis=1代表跨列)
但我們又知道，我們的陣列不單單隻有二維的，還有三維、四維等等。一旦維數超過二維，就無法用簡單的行和列來表示了。
所以，可以用我下面的方式進行理解：
axis=0將最開外頭的括號去除，看成一個整體，在這個整體上進行運算axis=1將第二個括號去除，看成一個整體，在這個整體上進行運算- ...依次類推
話不多說，下面以例子說明~
1.1二維陣列之concat
首先，我們來看個concat的例子，concat第一個引數接收val，第二個引數接收的是axis
def learn_concat():
# 二維陣列
t1 = tf.constant([[1, 2, 3], [4, 5, 6]])
t2 = tf.constant([[7, 8, 9], [10, 11, 12]])
with tf.Session() as sess:
# 二維陣列針對 axis 為0 和 1 的情況
print(sess.run(tf.concat([t1, t2], 0)))
print(sess.run(tf.concat([t1, t2], 1)))
複製程式碼ok，下面以圖示的方式來說明。現在我們有兩個陣列，分別是t1和t2：
首先，我們先看axis=0的情況，也就是tf.concat([t1, t2], 0)。從上面的描述，我們知道，先把第一個括號去除，然後將其子內容看成一個整體，在這個整體下進行想對應的運算(這裡我們就是concat)。
所以最終的結果是：
[
[1 2 3],
[4 5 6],
[7 8 9],
[10 11 12]
]
複製程式碼接著，我們再看axis=1的情況，也就是tf.concat([t1, t2], 1)。從上面的描述，我們知道，先把第二個括號去除，然後將其子內容看成一個整體，在這個整體下進行想對應的運算(這裡我們就是concat)。
所以最終的結果是：
[
[1, 2, 3, 7, 8, 9]
[4, 5, 6, 10, 11, 12]
]
複製程式碼1.2三維陣列之concat
接下來我們看一下三維的情況
def learn_concat():
# 三維陣列
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:
# 三維陣列針對 axis 為0 和 1 和 -1 的情況
print(sess.run(tf.concat([t3, t4], 0)))
print(sess.run(tf.concat([t3, t4], 1)))
print(sess.run(tf.concat([t3, t4], -1)))
複製程式碼ok，下面也以圖示的方式來說明。現在我們有兩個陣列，分別是t3和t4：
首先，我們先看axis=0的情況，也就是tf.concat([t3, t4], 0)。從上面的描述，我們知道，先把第一個括號去除，然後將其子內容看成一個整體，在這個整體下進行想對應的運算(這裡我們就是concat)。
所以最終的結果是：
[
[
[1 2]
[2 3]
]
[
[4 4]
[5 3]
]
[
[7 4]
[8 4]
]
[
[2 10]
[15 11]
]
]
複製程式碼接著，我們再看axis=1的情況，也就是tf.concat([t3, t4], 1)。從上面的描述，我們知道，先把第二個括號去除，然後將其子內容看成一個整體，在這個整體下進行想對應的運算(這裡我們就是concat)。
所以最終的結果是：
[
[
[1 2]
[2 3]
[7 4]
[8 4]
]
[
[4 4]
[5 3]
[2 10]
[15 11]
]
]
複製程式碼最後，我們來看一下axis=-1這種情況，在文件也有相關的介紹：
As in Python, the
axiscould also be negative numbers. Negativeaxisare interpreted as counting from the end of the rank, i.e.,axis + rank(values)-th dimension
所以，對於我們三維的陣列而言，那axis=-1實際上就是axis=2，下面我們再來看一下這種情況：
最終的結果是：
[
[
[1 2 7 4]
[2 3 8 4]
]
[
[4 4 2 10]
[5 3 15 11]
]
]
複製程式碼除了concat以外，其實很多函式都用到了axis這個引數，再舉個例子：
>>> 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])
複製程式碼參考資料：
- 有關axis/axes的理解
最後
下一篇是TensorBoard~
樂於輸出乾貨的Java技術公眾號：Java3y。公眾號內有200多篇原創技術文章、海量視訊資源、精美腦圖，不妨來關注一下！
覺得我的文章寫得不錯，不妨點一下贊！