TensorFlow和Numpy矩阵操作中axis理解及axis=-1的解释
1. axis的基本使用
axis常常用在numpy和tensorflow中用到，作为对矩阵（张量）进行操作时需要指定的重要参数之一。设定axis=-1,0,1...，用来指定执行操作的数据如何划分。
一句话解释：设axis=i，则沿着第i个下标变化的方向进行操作！[1]
简单例子就不举了，其他博客有很多，这里举一个稍微复杂一点的三维矩阵的例子：
设embeddings是一个shape=[3,4,5]的矩阵，如下：
embeddings = [[[-0.30166972 0.25741747 -0.07442257 0.24321035 -0.3538919 ]
[-0.22572032 0.1288028 -0.4686908 -0.07217035 0.05287632]
[ 0.15845934 0.07064888 0.00922218 0.2841002 -0.24992025]
[ 0.43347922 -0.43738696 -0.08176881 0.34185413 -0.2826353 ]]
[[-0.08590135 0.06792518 -0.07807922 -0.28746927 -0.10613027]
[ 0.07476929 0.132256 -0.0926154 0.39621904 0.2497718 ]
[-0.15389556 0.0867373 0.19403657 -0.11003655 0.317669 ]
[ 0.3949038 -0.17275128 0.34710506 -0.02576578 -0.17427891]]
[[-0.27703786 0.02631402 0.22129896 -0.07714707 0.41439041]
[-0.08512023 0.19059369 -0.13418713 -0.12881753 -0.26143318]
[-0.333749 0.27034065 0.45429572 -0.46164128 -0.3955955 ]
[ 0.24430516 -0.3841647 0.37126407 -0.463441 -0.1441828 ]]]
对embeddings矩阵执行下面操作：
a = tf.math.argmax(embeddings, axis=-1) # tf.math.argmax=tf.argmax，用来返回最大数值对应的index b = tf.math.argmax(embeddings, axis=1) c = tf.math.argmax(embeddings, axis=0) with tf.Session() as sess: sess.run(tf.global_variables_initializer()) print(embeddings.eval()) # a.eval 在打印时，等同于 sess.run(a) print(a.eval()) print(b.eval()) print(c.eval())
得到的结果是：
[[1 1 3 0]
[1 3 4 0]
[4 1 2 2]] # axis=-1, shape=[3,4]
[[3 0 2 3 1]
[3 1 3 1 2]
[3 2 2 0 0]] # axis=1, shape=[3,5]
[[1 0 2 0 2]
[1 2 1 1 1]
[0 2 2 0 1]
[0 1 2 0 2]] # axis=0, shape=[4,5]
看懂了吗？参考上面的一句话解释，再结合矩阵的下标表示理解一下。
刚刚的矩阵写成下标表示就是：
embeddings = [[[a000,a001,a002,a003,a004],
[a010,a011,a012,a013,a014],
[a020,a021,a022,a023,a024],
[a030,a031,a032,a033,a034]]
[[a100,a101,a102,a103,a104],
[a110,a111,a112,a113,a114],
[a120,a121,a122,a123,a124],
[a130,a131,a132,a133,a134]]
[[a200,a201,a202,a203,a204],
[a210,a211,a212,a213,a214],
[a220,a221,a222,a223,a224],
[a230,a231,a232,a233,a234]]
以axis=0为例,则沿着第0个下标（最左边的下标）变化的方向进行操作，也就是将除了第0个下标外，其他两个下标都相同的部分分成一组，然后再进行操作。具体分组如下（省略了一些组）：
从上图可以看出，每3个数分成一组，所以现在总共是分了4*5个组（所以最终返回的结果也是一个shape=[4,5]的矩阵），对每个组都执行一次 reduce_max操作，将每个组的三个数中数值最大的数的index返回构成矩阵即可。
这里需要特别说明一下axis=-1的操作，可能对python不熟悉的人会不理解这里的-1是哪个维度。在pyhton中，-1代表倒数第一个，也就是说，假如你的矩阵shape=[3,4,5],那么对这个矩阵来说，axis=-1，其实也就等于axis=2。因为这是个三维矩阵，所以axis可能的取值为0,1,2，所以最后一个就是2。你可以自己试试看两个取值结果是否相同。
2. 对axis的理解
通过上面的例子，你可能已经发现了，axis是将矩阵进行分组，然后再操作。而分组则意味着会降维。
以刚刚的例子，原始矩阵的shape=[3,4,5]，取axis=0再进行操作后，得到的矩阵shape=[4,5]。同样的，取axis=1再进行操作后，得到的矩阵shape=[3,5]。取axis=-1（axis=2）再操作后，shape=[3,4]。掌握这一点，能有利于你在神经网络中的变换或是数据操作中明确矩阵变换前后的形状，从而加快对模型的理解。
总结
到此这篇关于TensorFlow和Numpy矩阵操作中axis理解及axis=-1解释的文章就介绍到这了,更多相关矩阵操作中axis=-1的解释内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！
参考资料
[1] 这个一句话解释来源于：https://www.jb51.net/article/242077.htm
相关文章
这篇文章主要介绍了Python学习笔记之os模块使用总结,本文总结了多个常用方法,需要的朋友可以参考下2014-11-11
今天小编就为大家分享一篇关于Python字符串逆序输出的实例讲解，小编觉得内容挺不错的，现在分享给大家，具有很好的参考价值，需要的朋友一起跟随小编来看看吧2022-05-05
这篇文章主要介绍了用Python实现一个简单的能够发送带附件的邮件程序的教程,用MIMEApplication模块来发送各种类型的文件,需要的朋友可以参考下2015-04-04
时间和日期处理是至关重要的任务之一,本文介绍了在Python中使用time模块进行时间和时间戳之间的转换,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧2025-01-01
python使用redis实现消息队列(异步)的实现完整例程
本文主要介绍了python使用redis实现消息队列(异步)的实现完整例程，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧2023-01-01
今天小编就为大家分享一篇Python的条件表达式和lambda表达式实例，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2019-01-01
这篇文章主要介绍了Python图像处理探索之Python图像处理库,我们将学习使用不同的 Python 库实现一些常见的图像处理、变换和可视化技术，这些技术通常可以用作更复杂的图像处理任务的基本预处理/后处理步骤，需要的朋友可以参考下2023-04-04
在平常的代码中，我们常常需要与时间打交道。在Python中，与时间处理有关的模块就包括：time，datetime以及calendar。这篇文章，主要讲解time模块。2014-04-04
这篇文章主要为大家介绍了python网络编程之进程，具有一定的参考价值，感兴趣的小伙伴们可以参考一下，希望能够给你带来帮助2022-01-01
这篇文章主要为大家详细介绍了华为2019校招笔试题之处理字符串，具有一定的参考价值，感兴趣的小伙伴们可以参考一下2019-06-06
最新评论