分享一下我老师大神的人工智能教程！零基础，通俗易懂！http://blog.csdn.net/jiangjunshow
也欢迎大家转载本篇文章。分享知识，造福人民，实现我们中华民族伟大复兴！
多维数组的轴（axis=）是和该数组的size（或者shape）的元素是相对应的；
>>> np.random.seed(123)>>> X = np.random.randint(0, 5, [3, 2, 2])>>> print(X)[[[5 2] [4 2]] [[1 3] [2 3]] [[1 1] [0 1]]]>>> X.sum(axis=0)array([[7, 6], [6, 6]])>>> X.sum(axis=1)array([[9, 4], [3, 6], [1, 2]])>>> X.sum(axis=2)array([[7, 6], [4, 5], [2, 1]])
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
如果将三维数组的每一个二维看做一个平面（plane，X[0, :, :], X[1, :, :], X[2, :, :]），三维数组即是这些二维平面层叠（stacked）出来的结果。则（axis=0）表示全部平面上的对应位置，（axis=1），每一个平面的每一列，（axis=2），每一个平面的每一行。
考察多维数组的dot运算
numpy.dot(a, b, out=None)
- 1
For 2-D arrays it is equivalent to matrix multiplication,
两个二维数组的dot运算遵循矩阵乘法（其实一个二维一个一维也是矩阵乘法（Ax的每一列；
>>> X.dot([1, 1])array([[7, 6], [4, 5], [2, 1]]) # X的最后一轴是每一个二维的行方向
- 1
- 2
- 3
- 4
- 5
此时如果我们想通过矩阵与向量（一维）内积的方式实现（np.sum(X, axis=0)的结果）需使用np.tensordots(X, [1, 1, 1], axes=([0], [0]))，具体的用法见 np.tensordots文档。
>>> np.tensordots(X, [1, 1, 1], axes=([0], [0]))array([[7, 6], [6, 6]])
- 1
- 2
- 3
- 4
我们再来看看如何实现多维数组求平均的动作（每一个二维平面对应位的平均）：
>>> X = np.random.randint(0, 5, [3, 2, 2])>>> Xarray([[[3, 4], [2, 2]], [[3, 4], [2, 3]], [[2, 1], [1, 3]]])>>> np.tensordot(X, [1/3, 1/3, 1/3], axes=([0], [0]))array([[ 2.66666667, 3. ], [ 1.66666667, 2.66666667]])
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
给我老师的人工智能教程打call！http://blog.csdn.net/jiangjunshow
