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不了解,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。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)但我們又知道,我們的陣列不單單只有二維的,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。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)
所以,可以用***的方式進行理解:
話不多說,下面以例子說明~
首先,我們來看個concat
的例子,concat第乙個引數接收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)))
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,先把第乙個括號去除,然後將其子內容看成乙個整體,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]
]
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乙個整體,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]
]
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)))
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,先把第乙個括號去除,然後將其子內容看成乙個整體,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]]]
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乙個整體,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]]]
as in python, the所以,對於我們三維的陣列而言,那axis
could also be negative numbers. negativeaxis
are interpreted as counting from the end of the rank, i.e.,
axis + rank(values)
-th dimension
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]
]]
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])
如何理解Axis?
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不了解,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。如果你像我一樣,發...
如何理解Axis?
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不了解,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。如果你像我一樣,發...
快速理解axis
axis在tensorflow和numpy中式經常出現的乙個引數,但是有時可能並不是很好的理解axis 0或者axis 1是沿著什麼方向進行計算的,經過我的實踐,在這裡寫出理解。in 10 a out 10 array 1,2,3 4,5,6 in 11 np.amax a axis 0 out 1...