二维数组情形

例1

mu = np.mean(features,axis=0)

features为M×N, 那么mu为(N,)或记1×N

例2

X_input = np.concatenate((features,intercept_feature),axis=1)

features为M×N，那么X_input为M ×（N+1）

例3

>>> a = np.array([[1, 2], [3, 4]])
>>> np.mean(a)
2.5
>>> np.mean(a, axis=0)
array([ 2., 3.])
>>> np.mean(a, axis=1)
array([ 1.5, 3.5])

点评：矩阵记法M×N，M为行数，N为列数。

三维数组情形

例4

A = np.arange(8).reshape((2,2,2))

array([[[0, 1],
[2, 3]],

[[4, 5],
[6, 7]]])

mu0 = np.mean(A,axis=0)

mu0:

array([[2., 3.],
[4., 5.]])

mu1 = np.mean(A,axis=1)

mu1:

array([[1., 2.],
[5., 6.]])

mu2= np.mean(A,axis=2)

mu2:

array([[0.5, 2.5],
[4.5, 6.5]])

点评：三维数组可以理解为两个二维平面平行放置。

B=np.arange(50).reshape((2,5,5))

array([[[ 0, 1, 2, 3, 4],
        [ 5, 6, 7, 8, 9],
        [10, 11, 12, 13, 14],
        [15, 16, 17, 18, 19],
        [20, 21, 22, 23, 24]],

[[25, 26, 27, 28, 29],
        [30, 31, 32, 33, 34],
        [35, 36, 37, 38, 39],
        [40, 41, 42, 43, 44],
        [45, 46, 47, 48, 49]]])

B[0]:

array([[ 0, 1, 2, 3, 4],
       [ 5, 6, 7, 8, 9],
       [10, 11, 12, 13, 14],
       [15, 16, 17, 18, 19],
       [20, 21, 22, 23, 24]])

C=np.arange(50).reshape((5,5,2))

array([[[ 0, 1],
        [ 2, 3],
        [ 4, 5],
        [ 6, 7],
        [ 8, 9]],

[[10, 11],
        [12, 13],
        [14, 15],
        [16, 17],
        [18, 19]],

[[20, 21],
        [22, 23],
        [24, 25],
        [26, 27],
        [28, 29]],

[[30, 31],
        [32, 33],
        [34, 35],
        [36, 37],
        [38, 39]],

[[40, 41],
        [42, 43],
        [44, 45],
        [46, 47],
        [48, 49]]])

例5

A = np.arange(8).reshape((2,2,2))

array([[[0, 1],
[2, 3]],

[[4, 5],
[6, 7]]])

filter_kernel_flipped=np.rot90(A, 1, (1,2))

filter_kernel_flipped:

array([[[1, 3],
[0, 2]],

[[5, 7],
[4, 6]]])

此例np.rot90()函数为axis1和axis2确定的平面内旋转一次。

更多数学原理小文请关注公众号：未名方略

Python心法：numpy命令关于axis=0，axis=1，axis=2相关推荐

Python——sum()、.sum(axis=0)和.sum(axis=1)函数的使用
Python--sum()..sum(axis=0)和.sum(axis=1)函数的使用
numpy中的axis=0,axis=1
from: http://blog.csdn.net/rango_lhl/article/details/50542887 axis=0表述列 axis=1表述行如下面例子: In [52]: ar ...
softmax(a,axis=0)的用法理解总结
对于3维度数组总结axis=0 , 1 ,2 axis=0 沿着 axis=0方向 (可以认为是时间的方向)取每个单元对应元素进行计算softmax() //通俗理解就是今天8点钟的对应行对应列的 ...
使用Python和Numpy构建神经网络模型
基于Paddle Paddle学习波士顿房价预测任务上一节我们初步认识了神经网络的基本概念(如神经元.多层连接.前向计算.计算图)和模型结构三要素(模型假设.评价函数和优化算法).本节将以&quo ...
使用Python和Numpy进行波士顿房价预测任务（二）【深度学习入门_学习笔记】
使用Python和Numpy进行波士顿房价预测任务–详解目录: 一.数据处理 (1)读入数据 (2)数据形状变换 (3)数据集划分 (4)数据归一化处理 (5)封装成load data函数二.模型 ...
[转载] [转载] python 中NumPy和Pandas工具包中的函数使用笔记（方便自己查找）
参考链接: Python中的numpy.sinh 参考链接: Python中的numpy.less_equal 二.常用库 1.NumPy NumPy是高性能科学计算和数据分析的基础包.部分功能如下: ...
[转载] python 中NumPy和Pandas工具包中的函数使用笔记（方便自己查找）
参考链接: Python中的numpy.less_equal 二.常用库 1.NumPy NumPy是高性能科学计算和数据分析的基础包.部分功能如下: ndarray, 具有矢量算术运算和复杂广播能力 ...
1.2 使用Python和Numpy构建神经网络模型
本节以"波士顿房价"任务为例,向读者介绍使用Python语言和Numpy库来构建神经网络模型的思考过程和操作方法波士顿房价预测任务上一节我们初步认识了神经网络的基本概念(如神经 ...
使用Python和Numpy进行波士顿房价预测任务（一）【深度学习入门_学习笔记】
波士顿房价预测是一个经典的机器学习任务,类似于程序员世界的"Hello World".和大家对房价的普遍认知相同,波士顿地区的房价是由诸多因素影响的. 下载数据集:https:// ...
用python的numpy实现mnist手写数字识别
完整代码的文章底部(Optimization_mnist.py和lr_utils.py),原理和公式部分可以看前面文章,转载文章请附上本文链接学完前面(1到6)文章就完成了吴恩达deeplearni ...

Python心法：numpy命令关于axis=0，axis=1，axis=2