如何理解Axis?

2021-09-25 21:56:17 字數 3452 閱讀 6700

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)

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

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, theaxiscould 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]

]]

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...