tensorflow中axis理解非常重要
axis的作用即如何理解
numpy是python进行科学计算必不可少的模块,随着深度学习越来越火,numpy也越来越流行。了解numpy的人知道,在numpy中,有很多的函数都涉及到axis,很多函数根据axis的取值不同,得到的结果也完全不同。可以说,axis让numpy的多维数组变的更加灵活,但也让numpy变得越发难以理解。这里通过详细的例子来学习下,axis到底是什么,它在numpy中的作用到底如何。
为什么会有axis这个东西,原因很简单:numpy是针对矩阵或者多为数组进行运算的,而在多维数组中,对数据的操作有太多的可能,我们先来看一个例子。比如我们有一个二维数组:
>>> import numpy as np
>>> data = np.array([
... [1,2,1],
... [0,3,1],
... [2,1,4],
... [1,3,1]])
这个数组代表了样本数据的特征,其中每一行代表一个样本的三个特征,每一列是不同样本的特征。如果在分析样本的过程中需要对每个样本的三个特征求和,该如何处理?简单:
>>> np.sum(data, axis=1)
array([4, 4, 7, 5])
那如果想求每种特征的最小值,该如何处理?也简单:
>>> np.min(data, axis=0)
array([0, 1, 1])
又如果想得知所有样本所有特征的平均值呢?还是很简单:
>>> np.average(data)
1.6666666666666667
由此可以看出,通过不同的axis,numpy会沿着不同的方向进行操作:如果不设置,那么对所有的元素操作;如果axis=0,则沿着纵轴进行操作;axis=1,则沿着横轴进行操作。但这只是简单的二位数组,如果是多维的呢?可以总结为一句话:设axis=i,则numpy沿着第i个下标变化的放下进行操作。例如刚刚的例子,可以将表示为:data =[[a00, a01],[a10,a11]],所以axis=0时,沿着第0个下标变化的方向进行操作,也就是a00->a10, a01->a11,也就是纵坐标的方向,axis=1时也类似。下面我们举一个四维的求sum的例子来验证一下:
>>> data = np.random.randint(0, 5, [4,3,2,3])
>>> data
array([[[[4, 1, 0],[4, 3, 0]],[[1, 2, 4],[2, 2, 3]],[[4, 3, 3],[4, 2, 3]]],[[[4, 0, 1],[1, 1, 1]],[[0, 1, 0],[0, 4, 1]],[[1, 3, 0],[0, 3, 0]]],[[[3, 3, 4],[0, 1, 0]],[[1, 2, 3],[4, 0, 4]],[[1, 4, 1],[1, 3, 2]]],[[[0, 1, 1],[2, 4, 3]],[[4, 1, 4],[1, 4, 1]],[[0, 1, 0],[2, 4, 3]]]])
当axis=0时,numpy验证第0维的方向来求和,也就是第一个元素值=a0000+a1000+a2000+a3000=11,第二个元素=a0001+a1001+a2001+a3001=5,同理可得最后的结果如下:
>>> data.sum(axis=0)
array([[[11, 5, 6],[ 7, 9, 4]],[[ 6, 6, 11],[ 7, 10, 9]],[[ 6, 11, 4],[ 7, 12, 8]]])
当axis=3时,numpy验证第3维的方向来求和,也就是第一个元素值=a0000+a0001+a0002=5,第二个元素=a0010+a0011+a0012=7,同理可得最后的结果如下:
>>> data.sum(axis=3)
array([[[ 5, 7],[ 7, 7],[10, 9]],[[ 5, 3],[ 1, 5],[ 4, 3]],[[10, 1],[ 6, 8],[ 6, 6]],[[ 2, 9],[ 9, 6],[ 1, 9]]])
使用axis的相关函数
在numpy中,使用的axis的地方非常多,处理上文已经提到的average、max、min、sum,比较常见的还有sort和prod,下面分别举几个例子看一下:
sort
>>> data = np.random.randint(0, 5, [3,2,3])
>>> data
array([[[4, 2, 0],[0, 0, 4]],[[2, 1, 1],[1, 0, 2]],[[3, 0, 4],[0, 1, 3]]])>>> np.sort(data) ## 默认对最大的axis进行排序,这里即是axis=2
array([[[0, 2, 4],[0, 0, 4]],[[1, 1, 2],[0, 1, 2]],[[0, 3, 4],[0, 1, 3]]])
>>> np.sort(data, axis=0) # 沿着第0维进行排序,原先的a000->a100->a200转变为a100->a200->a000
array([[[2, 0, 0],[0, 0, 2]],[[3, 1, 1],[0, 0, 3]],[[4, 2, 4],[1, 1, 4]]])
>>> np.sort(data, axis=1) # 沿着第1维进行排序
array([[[0, 0, 0],[4, 2, 4]],[[1, 0, 1],[2, 1, 2]],[[0, 0, 3],[3, 1, 4]]])
>>> np.sort(data, axis=2) # 沿着第2维进行排序
array([[[0, 2, 4],[0, 0, 4]],[[1, 1, 2],[0, 1, 2]],[[0, 3, 4],[0, 1, 3]]])
>>> np.sort(data, axis=None) # 对全部数据进行排序
array([0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 2, 2, 2, 3, 3, 4, 4, 4])
prod(即product,乘积)
>>> np.prod([[1.,2.],[3.,4.]])24.0>>> np.prod([[1.,2.],[3.,4.]], axis=1)array([ 2., 12.])>>> np.prod([[1.,2.],[3.,4.]], axis=0)array([ 3., 8.])
相信通过上面的讲解与例子,你应该对axis有了比较清楚的了解。个人认为,如果没有理解axis的真正含义,很难熟悉的运用numpy进行数据处理
https://blog.csdn.net/fangjian1204/article/details/53055219转载
tensorflow中axis理解非常重要相关推荐
- numpy中axis理解
numpy库中有些函数有个参数axis,像ndarray.max()等,ndarray 其实就是一个多维数组,比python 内建的list多了一些对多维数组的操纵方法.如果一个多维数组是2*3*2, ...
- tensorflow的axis理解
https://blog.csdn.net/ningning52107/article/details/80227262
- tensorflow中的norm()函数 | axis=0,axis=1,axis=2
tensorflow中的norm函数作用是用来求L1_norm范数和Eukl_norm范数. 本篇文章主要目的是讲解axis的含义,所以默认都是用L1_norm范数,方便理解. 首先,来看一下2维的情 ...
- tensorflow 里metrics_深入理解TensorFlow中的tf.metrics算子
[IT168 技术]01 概述 本文将深入介绍Tensorflow内置的评估指标算子,以避免出现令人头疼的问题. tf.metrics.accuracy() tf.metrics.precision( ...
- Python:一文让你彻底理解numpy中axis=-1/0/1/2... [实例讲解:np.argmax(axis= -1 0 1 2) np.sum(aixs= -1 0 1 2)]
前言 接触python有一段时间了,但总有一道坎在心中挥之不去,那就是Numpy模块中的axis=-1/0/1/2...,每每见到axis=-1.axis=0.axis=1.axis=2等操作,心中真 ...
- 对tensorflow中的tensor、placeholder及feed_dict的理解
以前不知道tf.placeholder的feed_dict格式要求,以为随便是什么格式都可以,直到自己在做测试的时候出现以下错误才知道tf.placeholder 的feed_dict填充内容不可以 ...
- tensorflow中的shape函数理解
在tensorflow中经常用到shape函数 例如 import tensorflow as tf a = tf.constant([[1.,2.,3.],[4.,5.,6.],[7.,8.,9.] ...
- 对python中axis的理解
对 p y t h o n 中 a x i s 的 理 解 对python中axis的理解 对python中axis的理解 axis的实际含义是根据axis指定的维度进行连接,如矩阵m1的维度为(2, ...
- 快速掌握TensorFlow中张量运算的广播机制
相信大家在使用numpy和tensorflow的时候都会遇到如下的错误 ValueError: operands could not be broadcast together with shapes ...
最新文章
- 西门子fifo_查缺补漏必备 |三菱西门子学员知识问答汇总(技成周报134期)
- [云炬创业基础笔记]第六章商业模式测试9
- 大数据到底是不是“算命”?技术大牛们这样说
- Netty Java快速指南
- [渝粤教育] 西北大学 仪器分析 参考 资料
- 计算机考研英语词汇书,考研英语词汇参考书推荐
- kubernetes ConfigMap和Secret:配置应用程序
- mysql md 123456_MySQL修炼之路四
- 【网络教程】sublime安装emmet后提示缺少pyv8的解决方案(如何手动安装pyv8)
- java标准化考试系统源码_java标准化考试系统
- 7z 7Zip 命令行压缩,解压缩文件
- 基于微信小程序的毕业设计题目(24)php食堂餐厅就餐预约小程序(含开题报告、任务书、中期报告、答辩PPT、论文模板)
- 阿里P9技术:我来聊聊百万年薪
- oracle 00314,【案例】Oracle报错ORA-00314 数据库异常关机导致redo SCN不一致无法启动...
- 研究生复试------12 学做菜
- #12304;#28404;#28404;#37329;#34701;#23458;#26381;#30005;#35805;#12305;
- [TI TDA4 J721E] TDA4平台 相关技术文章 汇总
- 示波器X-Y模式分析
- Count Min Sketch: from Finding the Majority Element problem to heavy hitter problem,统计元素频率的利器
- 喜讯!双驰企业正式成为欧盟地平线2020 项目合作伙伴
热门文章
- origin8.0 绘图学习笔记
- 【python篇】python基础之--基本问题记录
- idea设置java-google-style
- HN 7 月招聘趋势榜,Go 击败 Java;微软大量员工请愿停止与海关合作
- RF射频信号,高速信号能将电源平面作为参考平面吗?
- 小数化分数 思路及代码模板 c++实现
- ARCore之路-连接设备调试应用
- FPGA自学笔记--串口通信发送多字节数据(verilog版)
- Python模拟post提交表单数据 ——某二手车网站回拨电话的分析与利用
- linux使用虚拟ip路由问题,linux – 来自主机的虚拟机的IPv6公共路由