keras的axis的解读

原创

是念 2022-08-12 07:35:30 博主文章分类：keras ©著作权

©著作权归作者所有：来自51CTO博客作者是念的原创作品，请联系作者获取转载授权，否则将追究法律责任

我们在写keras的代码的时候会遇见下面的类似场景：

atten_mul=merge([image_embedding,attention_probs],mode='dot',dot_axes=(1,1))

然后会经常困惑dot_axes那个括号里面的是啥意思，这里举个例子，如果一个张量的大小为：

(19,19,5,80)

axis = 0 - 19 elements

axis = 1 - 19 elements

axis = 2 - 5 elements

axis = 3 - 80 elements

其实就是从左到右的顺序，而python numpy里面的axis:

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。

>>> import numpy as np
>>> data=np.array([
... [1,2,1],
... [1,4,5],
... [2,3,4],
... [5,2,4]])
>>> np.sum(data,axis=0)
array([ 9, 11, 14])
>>> np.sum(data,axis=1)
array([ 4, 10,  9, 11])

上面是二维的，我们来看三维的例子：

>>> data = np.random.randint(0, 5, [4,3,2])
>>> data.shape
(4, 3, 2)
>>> data
array([[[4, 3],
        [3, 2],
        [2, 3]],

       [[1, 3],
        [2, 2],
        [1, 0]],

       [[4, 4],
        [4, 4],
        [2, 2]],

       [[4, 2],
        [4, 4],
        [1, 1]]])
>>> data.sum(axis=0)
array([[13, 12],
       [13, 12],
       [ 6,  6]])
>>> data.sum(axis=1)
array([[ 9,  8],
       [ 4,  5],
       [10, 10],
       [ 9,  7]])
>>> data.sum(axis=2)
array([[7, 5, 5],
       [4, 4, 1],
       [8, 8, 4],
       [6, 8, 2]])