矩阵 维度 axis
python numpy tenforflow中维度的概念是什么呢？
怎么用python语言来表示维度呢？
我们在利用深度学习进行目标检测的过程中，经过会进行批量图片的处理，常见格式为（batchsize,size,size,channel）四维的矩阵。或者yolo3 backbone输出的矩阵（batch,feature_map_size,feature_map_size,anchor_num,(xmin,ymin,xmax,ymax,socre,class1,...,classn)）等。在处理过程中，经常会涉及到对矩阵的各个维度的操作。
比如：
增加维度
减少维度
对某一维度进行取值
对不同维度直间进行比较
对不同维度求均值
等等。
例1：提取多维矩阵中特定维度的前n个"数"（此处用"数"表示感觉不太准确，一维矩阵可以说是“数”，多维矩阵应该是“向量”，如果您有更好的表述，欢迎留言讨论）
我们首先，创建一个最简单的一维矩阵
import numpy as np
a=np.array([1,2,3,4])
print(a.shape)
=》（4,）利用shape方法获取矩阵的维度，可以看到矩阵是一维的，里面有四个数字，如果我们想获取矩阵中的某些数字，可以利用python的切片功能，在python中[]可以理解为是切片的代名词。继续上面的例子，
、
import numpy as np
a=np.array([1,2,3,4])
print(a.shape)
=》（4,）
print(a[0])#获取第0个元素
=>1
print(a[0,1])#会报错
print(a[0:2])#获取前两个元素
=》1,2
print([:])
关于维度在numpy中的理解，我们可以这样理解，[]中用逗号"，"隔开的是不同的维度，每一个维度的数据获取可以用：切片进行操作，其中[...,]三个点代表前面所有的维度，：表示去这一维度所有数，：：表示取这一维度从strat到end的数，：：：表示start-end-step每隔step取数。
例2：通过python中numpy.mean()函数，深度理解axis的含义
numpy.mean()传送门
numpy.mean(a, axis=None, dtype=None, out=None, keepdims=)
a：为array形的数据
axis：
科普下，axis=0表示纵轴的方向，axis=1表示横轴的方向
1）axis为二维array时：axis可为0,1两个方向轴
不填时默认为a全部元素的平均值
axis=0 表示纵轴平均，输出的是格式（1，x）的格式
axis=1表示横轴的平均，输出的是(x,1)的格式
2）axis为三维array时
axis可以为0,1,2表示三个方向轴，用tuple来表示取哪两个维度的数值作为平均，即对一个平面进行取平均
3）axis为n维array时
如果这是一个整数元组，则在多个轴上执行平均值，而不是像以前那样在单个轴或所有轴上执行。
可取n-1个轴
举例：
设a为(m,n)的array，则axis中0,1分别代表纵轴和横轴
>>> a = np.arange(15)
>>> a = a.reshape(3,5)
>>> a
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14]])
#取全部的平均值
>>> np.mean(a)
7.0
#取纵轴上的平均值
>>> np.mean(a,axis=0)
array([5., 6., 7., 8., 9.])
#取横轴上的平均值
>>> np.mean(a,axis=1)
array([ 2., 7., 12.])
设a为(m,n,k)的array，则axis中的0,1,2分别代表三个轴
若axis为(0,1),则相当于把m,n这两条轴压平（m,n轴上的m*n个数值求平均），输出格式为(1,k)的数值
#设a为(2,3,4)的array
>>> a = np.arange(24)
>>> a = a.reshape(2,3,4)
>>> a
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]]])
#对第二轴上的数字取平均，压缩成(2,4)输出了
>>> np.mean(a,axis=1)
array([[ 4., 5., 6., 7.],
[16., 17., 18., 19.]])
#将0,1轴方向的2*3个数值取平均
>>> np.mean(a,axis=(0,1))
array([10., 11., 12., 13.])
#将0,2轴方向的2*4个数值取平均
>>> np.mean(a,axis=(0,2))
array([ 7.5, 11.5, 15.5])
以上情况可以类比到n维，不再举例
例三：关于利用yolo3进行目标检测中用到的矩阵知识，见github，欢迎加星点赞。