深度学习-基础（二）-numpy中的轴操作

背景

使用Pytorch进行学习，少不了跟numpy打交道，比如数据集中去除通道进reduction加法运算等，但是numpy轴操作，很少有人讲清楚，此处加以梳理。

轴的概念

轴用来为超过一维的数组定义的属性，二维数据拥有两个轴：第0轴沿着行的垂直往下，第1轴沿着列的方向水平延伸

如果是3维及以上的多维数组，先最外层，然后一层一层按照先横轴再纵轴的逻辑进行匹配轴。（实际2维只是多维的特殊情况，也是从最外层开始，一层层先横轴再纵轴 ）
如下图所示：

上面的图只是一个方便理解的图示方法，展示了轴的概念，最后一个图例（2, 3，2, 4）第一个2表示最外层也就是轴0的元素有2个，每个元素的shape是（3, 2,4），依次 3表示轴1，从图中来看也就是左边的立方体有3个元素，每个元素的shape是（2,4），最后的(2,4)就是我们通常认识的二维数组，不再赘述

沿轴的操作

axis0 ： 表示from up to down 竖切
axis1 ：表示from left to right 横切

下面是一个示例：

先对ndarray中数组分隔和索引符号简单解释下：
， 用于分割维数或者成为轴，
: 用于维数中的元素索引，表示方法为 起始：结束：步长，只写一个，即取该维数上的所有

操作如下：

• 先构造shpe为（2,3）的ndarray

b = np.arange(6).reshape(2,3)
print(b)
b的输出：
[[0 1 2][3 4 5]]

• 沿轴0方向操作

print(b.sum(axis=0))
print(b[0, :] + b[1 ,:])
输出：
[3 5 7]

注意看，此时 b.sum(axis=0)) 和 b[0, :] + b[1 ,:] 效果相同

• 沿轴1的操作sum(axis = 1)

print(b.sum(axis=1))
print(b[:, 0] + b[:,1] + b[:, 2])

同样，此时b.sum(axis=1)和 b[:, 0] + b[:,1] + b[:, 2]的结果相同。

通过轴的概念和示例，不难发现，对某个轴的操作（这是指类似sum类函数），实际上是一个降维操作：
针对0轴（N,C,H,W）的在第0轴上的操作—》输出shape是（C,H,W）
针对1轴（N,C,H,W）的在第0轴上的操作—》输出shape是（N,H,W）
也就是sum(axis = i)是如下：

• axis=0，是a[0,:,:,:] + a[1,:,:,:]+…a[N-1,:,:,:]
• axis=1，是a[:,0,:,:] + a[:,1,:,:] +…a[:,C-1,:,:]
  其他类似

这样的操作有什么用呢，比如在图像数据集处理的时候，N C H W依次表示图片数，通道数，高，宽
通过使用沿轴0的方向操作，可以去掉N这个维度，成为C H W，进行图像的识别处理