1 对于numpy.ndarray，可以使用shape查看形状

下图形状是（3，2, 1），如何得到的？第一层 [ ] 中含有3个元素，单拿一个元素出来，有2个元素， blabla…
在这里插入图片描述

2 axis是如何定义？

从shape上理解更快。

axis=0，相当于拆除第1层 [ ] ，剩下元素shape会是（2, 1）。下图中红框叠加sum起来就是这个形状。
在这里插入图片描述
axis=1，相当于拆除第2层 [ ] ，剩下元素shape会是（3, 1）。

axis=2，相当于拆除第3层 [ ] ，剩下元素shape会是（3, 2）。
在这里插入图片描述

代码：

import numpy as np

kl = [2, 2, 3, 3, 7, 7]
npa = np.asarray(kl).reshape((3, 2, 1))
print(npa)
print("--------")
print(np.sum(npa, axis=0))
print("--------")
print(np.sum(npa, axis=1))
print("--------")
print(np.sum(npa, axis=2))

3 方向的含义

Axis or axes along which a sum is performed.

这里的along 很关键，在很多库包里，无论叫 Axis 、axes 、dim ，都是指沿着哪一个dim去计算，如果用shape去理解，会快一些。

比如在Softmax中：

import torch
from torch import nn

m = nn.Softmax(dim=1)
input = torch.randn(2, 3)
print(input)
output = m(input)
print(output)

得到：

tensor([[-0.6087, -0.5550, -0.2106],
        [-0.4120,  0.7185, -1.3630]])
tensor([[0.2822, 0.2977, 0.4201],
        [0.2230, 0.6908, 0.0862]])

Softmax的那个方向的数字加起来会是1，代码里面是(dim=1)，也就是想形成的shape是（2，），去掉3。
所以是用 [-0.6087, -0.5550, -0.2106] 和 [-0.4120, 0.7185, -1.3630] 在算 Softmax。
结果也正是如此，[0.2822, 0.2977, 0.4201]或者 [0.2230, 0.6908, 0.0862] 加起来就是1 。