转自ZeroZone零域：https://blog.csdn.net/ksws0292756/article/details/80192926 axis的默认值不是0，这一点我发现很多博客文章都搞错了。所以一定要知道，axis的默认值不是0
当给axis赋值为0时，和采取默认值时的表现是完全不同的，从下面的代码就可以看出。
>>> z #大小为2×3×4的数组 array([[[ 2, 3, 4, 8], [ 3, 1, 4, 1], [ 6, 3, 2, 6]], [[10, 2, 45, 2], [ 2, 4, 5, 10], [22, 4, 4, 1]]]) >>> np.sum(z,axis=0) # axis=0 array([[12, 5, 49, 10], [ 5, 5, 9, 11], [28, 7, 6, 7]]) >>> np.sum(z) #axis不指定，取默认值 154刚开始学习numpy和tensorflow的朋友经常遇到类似下面这样的一些函数：
#python x=[[1,2],[5,1]] x=np.array(x) z1=np.max(x,axis=0) z2=np.max(x,axis=1) #tensorflow x=tf.constant([[1.,2.],[5.,2.]]) x=tf.shape(x) z1=tf.reduce_max(x,axis=0)#沿axis=0操作 z2=tf.reduce_max(x,axis=1)#沿axis=1操作类似的还有argmax，sum等等函数，它们都含有一个名为axis的参数，那这个参数到底是什么意思呢？一句话总结就是：沿着axis指定的轴进行相应的函数操作
直接看这句话可能看不懂，下面用一个最简单的例子来说明一下。
import numpy as np #首先，创建一个2×3维的numpy的array数组 x=[[2,3,4],[1,2,5]] x=np.array(x) #然后，计算不同参数下np.max的输出 print(np.max(x)) # 5 print(np.max(x,0)) # [2,3,5] print(np.max(x,1)) # [4,5]可以看到，如果不知道axis，那么默认就是取得整个数组的最大值，这相当于把多维数组展开成一维，然后找到这个一维数组里的最大值。 而当axis=0时，直观上来看就是取得每一列的最大值，源数组总共为2行3列，所以最终的输出包含3个元素。 当axis=1时，就相当与是取每一行的最大值。
上面的理解方式在二维数组还比较直观，但是如果数组达到3维4维甚至更高维时，就不能简单的从行列角度出发去理解了，这时应该考虑从“轴”的角度来看。首先，明确一点，“轴”是从外向里的，也就是说，最外层的是0轴，往内一次是1轴，2轴… 。 具体可以看下面的例子：
>>> z array([[[ 2, 3, 4, 8], [ 3, 1, 4, 1], [ 6, 3, 2, 6]], [[10, 2, 45, 2], [ 2, 4, 5, 10], [22, 4, 4, 1]]]) >>> z.shape (2, 3, 4)可以看到，这是一个2×3×4的三位数组，其中0轴对应第一维（2），1轴对应第二维（3），2轴对应第三维（4）。当我们指定了函数按某一轴来计算时，函数的输出数组的shape就是去掉当前轴的shape，如下所示。
>>> np.max(z,axis=0).shape (3, 4) >>> np.max(z,axis=1).shape (2, 4) >>> np.max(z,axis=2).shape (2, 3)而对于输出数组的每一个元素output[i][j]的值，实际上就是z[i][...][j]集合中的最大值，如下面的代码所示。其中当axis=0时，输出数组output的shape为3×4，其中output.[2][3]的值，实际上就是z[0][2][3],z[1][2][3]的最大值，也就是（6，1）中的最大值，即为output.[2][3]=6。
再如axis=1时，输出数组output的shape为2×4，其中output.[1][2]的值，实际上就是z[1][0][2],z[1][1][2],z[1][2][2]中的最大值，也就是（45，5，4）中的最大值，即为output.[1][2]=45]。
>>> np.max(z,axis=0) array([[10, 3, 45, 8], [ 3, 4, 5, 10], [22, 4, 4, 6]]) >>> np.max(z,axis=1) array([[ 6, 3, 4, 8], [22, 4, 45, 10]]) >>> np.max(z,axis=2) array([[ 8, 4, 6], [45, 10, 22]])