Numpy、TensorFlow和Keras函数输入参数axis理解（二）

最新推荐文章于 2022-05-26 08:43:08 发布

o_Eagle_o

最新推荐文章于 2022-05-26 08:43:08 发布

阅读量9k

点赞数 6

CC 4.0 BY-SA版权

分类专栏： Python numpy库 Keras库 TensorFlow架构

本文链接：https://blog.youkuaiyun.com/zenghaitao0128/article/details/78905593

Python 同时被 3 个专栏收录

12 篇文章

订阅专栏

numpy库

11 篇文章

订阅专栏

TensorFlow架构

2 篇文章

订阅专栏

本文解析了在使用numpy、TensorFlow及Keras编程时遇到的axis参数的含义与取值范围，通过多个实例展示了如何沿特定轴对张量进行操作。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

在利用numpy、TensorFlow和Keras等进行编程时，经常发现很多函数携带axis参数，且具有相同功能的函数的axis(轴)参数取值范围可能不同（操作方式也不一样），从而引起一些困惑。针对这一问题，归纳总结如下：

2. TensorFlow函数中的axis参数理解

在TensorFlow函数中，axis输入参数的取值范围是[-rank(input_tensor), rank(input_tensor))。

2.1 案例1——tf.reduce_sum()

函数原型：

reduce_sum(
input_tensor,
axis=None,
keep_dims=False,
name=None,
reduction_indices=None
)

函数作用：

沿着指定的axis轴，计算输入张量的和

import tensorflow as tf

x = tf.constant([[1, 2, 3], [4, 5, 6]])

sess = tf.InteractiveSession()
print("输入张量：\n",x.eval())

y1 = tf.reduce_sum(x)  
print("所有张量元素的和：\n",y1.eval())

y2 = tf.reduce_sum(x, axis = 0)  
print("沿着张量0轴方向求和：\n",y2.eval())

y3 = tf.reduce_sum(x, axis = 1)  
print("沿着张量1轴方向求和：\n",y3.eval())

y4 = tf.reduce_sum(x, axis = 1, keep_dims=True) 
print("沿着张量1轴方向求和,并保持维度：\n",y4.eval())

输入张量：
 [[1 2 3]
 [4 5 6]]
所有张量元素的和：
 21
沿着张量0轴方向求和：
 [5 7 9]
沿着张量1轴方向求和：
 [ 6 15]
沿着张量1轴方向求和,并保持维度：
 [[ 6]
 [15]]

注意事项：

根据www.tensorflow.org中对tf.reduce_sum()的描述，axis输入参数的取值范围是[-rank(input_tensor), rank(input_tensor))，那么前述的常数张量x(rank = 2，2阶)的axis取值范围是[-2,2)，那么axis = -2、-1究竟是什么含义呢？下依旧利用前述所定义的常数张量x进行试验，即

y2 = tf.reduce_sum(x, axis = 0)  
print("沿着张量0轴方向求和：\n",y2.eval())

y5 = tf.reduce_sum(x, axis = -2)  
print("沿着张量-2轴方向求和：\n",y5.eval())

y3 = tf.reduce_sum(x, axis = 1)  
print("沿着张量1轴方向求和：\n",y3.eval())

y6 = tf.reduce_sum(x, axis = -1)  
print("沿着张量-1轴方向求和：\n",y6.eval())

沿着张量0轴方向求和：
 [5 7 9]
沿着张量-2轴方向求和：
 [5 7 9]
沿着张量1轴方向求和：
 [ 6 15]
沿着张量-1轴方向求和：
 [ 6 15]

总结：

根据上述试验发现，在axis = [-2,2)的区间内时，axis的取值虽然可以不同，但是实际的效果却存在相同的情况，即

axis = -2 对应 axis = 0,效果一致；

axis = -1 对应 axis = 1,效果一致；

2.2 案例2——tf.argmax()

函数原型：

argmax(
input,
axis=None,
name=None,
dimension=None,
output_type=tf.int64
)

函数作用：

沿着指定axis轴的方向寻找最大值，并返回对应的索引

import numpy as np
import tensorflow as tf
A = np.random.random((3,4))
x = tf.constant(A)

sess = tf.InteractiveSession()
print("输入张量：\n",x.eval())

y1 = tf.argmax(x) 
print("axis缺省时，默认axis = 0：\n",y1.eval())

y2 = tf.argmax(x, axis = 0)  
print("沿着张量0轴方向求和：\n",y2.eval())

y3 = tf.argmax(x, axis = 1)  
print("沿着张量1轴方向求和：\n",y3.eval())

输入张量：
 [[ 0.34570824  0.4327304   0.81727727  0.01683761]
 [ 0.66160006  0.49774433  0.03712519  0.10179577]
 [ 0.17496762  0.48599597  0.90044948  0.01108119]]
axis缺省时，默认axis = 0：
 [1 1 2 1]
沿着张量0轴方向求和：
 [1 1 2 1]
沿着张量1轴方向求和：
 [2 0 2]

注意事项：

根据www.tensorflow.org中对tf.argmax()的描述，axis输入参数的取值范围是[-rank(input), rank(input))，那么前述的常数张量x(rank = 2，2阶)的axis取值范围是[-2,2)，那么axis = -2、-1究竟是什么含义呢？下依旧利用前述所定义的常数张量x进行试验，即

y2 = tf.argmax(x, axis = 0)  
print("沿着张量0轴方向求和：\n",y2.eval())

y4 = tf.argmax(x, axis = -2)  
print("沿着张量-2轴方向求和：\n",y4.eval())

y3 = tf.argmax(x, axis = 1)  
print("沿着张量1轴方向求和：\n",y3.eval())

y5 = tf.argmax(x, axis = -1)  
print("沿着张量-1轴方向求和：\n",y5.eval())

沿着张量0轴方向求和：
 [1 1 2 1]
沿着张量-2轴方向求和：
 [1 1 2 1]
沿着张量1轴方向求和：
 [2 0 2]
沿着张量-1轴方向求和：
 [2 0 2]

总结：

根据上述试验发现，在axis = [-2,2)的区间内时，axis的取值虽然可以不同，但是实际的效果却存在相同的情况，即

axis = -2 对应 axis = 0,效果一致；

axis = -1 对应 axis = 1,效果一致；

2.3 案例3——tf.concat()

函数原型：

concat(
values,
axis,
name=’concat’
)

函数作用：

沿着指定轴（维度）合并张量

import numpy as np
import tensorflow as tf

A = np.ones((2,2))
B = np.zeros((2,2))
x1 = tf.constant(A)
x2 = tf.constant(B)


sess = tf.InteractiveSession()
print("输入张量1：\n",x1.eval())
print("输入张量2：\n",x2.eval())

y1 = tf.concat([x1,x2], axis = 0)  
print("沿着张量0轴方向合并（垂直合并）：\n",y1.eval())

y2 = tf.concat([x1,x2], axis = 1)  
print("沿着张量1轴方向合并（水平合并）：\n",y2.eval())

输入张量1：
 [[ 1.  1.]
 [ 1.  1.]]
输入张量2：
 [[ 0.  0.]
 [ 0.  0.]]
沿着张量0轴方向合并（垂直合并）：
 [[ 1.  1.]
 [ 1.  1.]
 [ 0.  0.]
 [ 0.  0.]]
沿着张量1轴方向合并（水平合并）：
 [[ 1.  1.  0.  0.]
 [ 1.  1.  0.  0.]]

注意事项：

根据www.tensorflow.org中对tf.concat()的描述，axis输入参数的取值范围是[-rank(values), rank(values))，那么前述的常数张量x(rank = 2，2阶)的axis取值范围是[-2,2)，那么axis = -2、-1究竟是什么含义呢？下依旧利用前述所定义的常数张量x进行试验，即

y1 = tf.concat([x1,x2], axis = 0)  
print("沿着张量0轴方向合并（垂直合并）：\n",y1.eval())

y3 = tf.concat([x1,x2], axis = -2)  
print("沿着张量-2轴方向合并（垂直合并）：\n",y3.eval())

y2 = tf.concat([x1,x2], axis = 1)  
print("沿着张量1轴方向合并（水平合并）：\n",y2.eval())

y4 = tf.concat([x1,x2], axis = -1)  
print("沿着张量-1轴方向合并（水平合并）：\n",y4.eval())

沿着张量0轴方向合并（垂直合并）：
 [[ 1.  1.]
 [ 1.  1.]
 [ 0.  0.]
 [ 0.  0.]]
沿着张量-2轴方向合并（垂直合并）：
 [[ 1.  1.]
 [ 1.  1.]
 [ 0.  0.]
 [ 0.  0.]]
沿着张量1轴方向合并（水平合并）：
 [[ 1.  1.  0.  0.]
 [ 1.  1.  0.  0.]]
沿着张量-1轴方向合并（水平合并）：
 [[ 1.  1.  0.  0.]
 [ 1.  1.  0.  0.]]

总结：

根据上述试验发现，在axis = [-2,2)的区间内时，axis的取值虽然可以不同，但是实际的效果却存在相同的情况，即

axis = -2 对应 axis = 0,效果一致；

axis = -1 对应 axis = 1,效果一致；

在Tensorflow中还有很多函数中存在axis输入参数，比如tf.reduce_mean()、tf.redunce_max()等函数，其对于的axis理解方式跟上述案例完全一致。

3. Keras函数中的axis参数理解

3.1 案例1——sum()

函数原型：

keras.backend.sum(x, axis=None, keepdims=False)

函数作用：

沿着指定的axis轴，计算张量中值的和

import numpy as np
from keras import backend as K

Using TensorFlow backend.

tf_session = K.get_session()
kcon = K.constant([[1, 2,0], [3, 4,5]])

print("输入张量：\n",kcon.eval())


sum0 = K.sum(kcon,axis = 0) 
print("沿着张量0轴方向求和：\n",sum0.eval())

sum1 = K.sum(kcon,axis = 1) 
print("沿着张量1轴方向求和：\n",sum1.eval())

sum2 = K.sum(kcon) 
print("axis缺省时，所有元素求和：\n",sum2.eval())

输入张量：
 [[ 1.  2.  0.]
 [ 3.  4.  5.]]
沿着张量0轴方向求和：
 [ 4.  6.  5.]
沿着张量1轴方向求和：
 [  3.  12.]
axis缺省时，所有元素求和：
 15.0

注意事项：

在Keras.io中并未明确的介绍axis的取值范围，初步认为应该与TensorFlow一致（因为本程序是基于TensorFlow后端，最底层的运算时基于TensorFlow），实验如下：

sum4 = K.sum(kcon,axis = -2) 
print("沿着张量-2轴方向求和：\n",sum4.eval())

sum5 = K.sum(kcon,axis = -1) 
print("沿着张量-1轴方向求和：\n",sum5.eval())

沿着张量-2轴方向求和：
 [ 4.  6.  5.]
沿着张量-1轴方向求和：
 [  3.  12.]

#下面超过了axis的取值范围[-2,2)，因此会报错
sum6 = K.sum(kcon,axis = -3) 
sum7 = K.sum(kcon,axis = -1)

3.2 案例2——argmax()

函数原型：

keras.bacend.argmax(x, axis=-1)

函数作用：

沿着指定的轴寻找最大值，并返回其索引值

import numpy as np
from keras import backend as K

tf_session = K.get_session()
var = np.random.random((3,5))
kcon = K.constant(var)

print("输入张量：\n",kcon.eval())


y0 = K.argmax(kcon,axis = 0) 
print("沿着张量0轴方向寻找最大值索引：\n",y0.eval())

y1 = K.argmax(kcon,axis = 1) 
print("沿着张量1轴方向寻找最大值索引：\n",y1.eval())

y2 = K.argmax(kcon) 
print("axis缺省时，默认为-1,对应1的结果：\n",y2.eval())

输入张量：
 [[ 0.13900661  0.4054634   0.64765936  0.5716511   0.61112058]
 [ 0.41806924  0.60134852  0.92036146  0.68033886  0.3683911 ]
 [ 0.95494515  0.05807289  0.44499308  0.73589486  0.2641674 ]]
沿着张量0轴方向寻找最大值索引：
 [2 1 1 2 0]
沿着张量1轴方向寻找最大值索引：
 [2 2 0]
axis缺省时，默认为-1,对应1的结果：
 [2 2 0]