前言
只有光头才能变强。
回顾前面：
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：
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)。
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)。
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：
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)。
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)。
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
axiscould also be negative numbers. Negative
axisare 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：
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
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！
觉得我的文章写得不错，不妨点一下赞！
