共计 2377 个字符，预计需要花费 6 分钟才能阅读完成。
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】
什么是 TensorFlow？
TensorFlow 读写数据
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 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：
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
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！