tensorflow中tf.concat的axis的使用我一直理解的比较模糊，这次做个笔记理下自己的思路。

import tensorflow as tftf.enable_eager_execution()import numpy as np

先生成两个矩阵m1, 和m2, 大小为两行三列

m1 = np.random.rand(2,3) # m1.shape (2,3)m1>>array([[0.44529968, 0.42451167, 0.07463199], [0.35787143, 0.22926186, 0.34583839]])m2 = np.random.rand(2,3) # m2.shape (2,3)m2>>array([[0.92811531, 0.6180391 , 0.71969461], [0.00564108, 0.55381637, 0.17155987]])

接下来采用tf.concat进行连接，简单来说，axis=0实际就是按行拼接，axis=1就是按列拼接

# axis = 0m3 = tf.concat([m1,m2],axis=0)m3>> array([[0.44529968, 0.42451167, 0.07463199], [0.35787143, 0.22926186, 0.34583839], [0.92811531, 0.6180391 , 0.71969461], [0.00564108, 0.55381637, 0.17155987]])m3.shape>> (4,3)# axis = 1m4 = tf.concat([m1,m2],axis=1)m4>>array([[0.44529968, 0.42451167, 0.07463199, 0.92811531, 0.6180391 , 0.71969461], [0.35787143, 0.22926186, 0.34583839, 0.00564108, 0.55381637, 0.17155987]])m4.shape>>(2,6)

但这实际上这只有在我们的输入是二维矩阵时才可以这样理解。axis的实际含义是根据axis指定的维度进行连接，如矩阵m1的维度为(2,3), 那么axis=0就代表了第一个维度‘2'，因此，将m1和m2按照第一个维度进行连接，得到的新的矩阵就是将第一维度进行相加，其余维度不变，即维度变成了(4,3).

同理，axis=1时就是将矩阵的第二维度进行合并，其余维度不变，即维度变成了（2,6）。

接下来处理三个维度的数据，这也是我们在神经网络数据中经常要用到的，增加的一个维度通常代表了batch_size. 如下面的m5, batch_size=5, 可以理解为每个样本是个2*3的矩阵，一次将5个样本放在一起。

m5 = np.random.rand(5,2,3)m6 = np.random.rand(5,2,3)m5>>array([[[0.04347217, 0.03368232, 0.36017024], [0.74223151, 0.06609717, 0.38155531]], [[0.50602728, 0.355745 , 0.93379797], [0.97572621, 0.53745311, 0.66461841]], [[0.92832972, 0.02441683, 0.48436203], [0.69651043, 0.24194495, 0.64623769]], [[0.66667596, 0.60053027, 0.2970753 ], [0.13281764, 0.29326326, 0.32393028]], [[0.40892782, 0.48516547, 0.02298178], [0.51239083, 0.40151008, 0.29913204]]])m6>>array([[[0.58001909, 0.56925704, 0.09798246], [0.20841893, 0.62683633, 0.17923217]], [[0.91216164, 0.0200782 , 0.3986682 ], [0.86687006, 0.83730576, 0.48443545]], [[0.65641654, 0.59786311, 0.2055584 ], [0.65391822, 0.74093133, 0.02416627]], [[0.80778861, 0.22644312, 0.91610686], [0.0789411 , 0.86955002, 0.41437046]], [[0.97821668, 0.97118328, 0.97714882], [0.21543173, 0.06964724, 0.35360077]]])

在这种情况下，axis=0代表的第一个维度的含义就不再是之前认为的行的概念了，现在m5的第一维度的值是5，代表的是batch_size。仍然按照之前的理解，如果设置axis=0, axis=0就是将第一维度进行相加，其余维度不变，因此我们可以得到新的维度为（10,2,3）。

m7 = tf.concat([m5, m6],axis=0)m7>> array([[[0.04347217, 0.03368232, 0.36017024], [0.74223151, 0.06609717, 0.38155531]], [[0.50602728, 0.355745 , 0.93379797], [0.97572621, 0.53745311, 0.66461841]], [[0.92832972, 0.02441683, 0.48436203], [0.69651043, 0.24194495, 0.64623769]], [[0.66667596, 0.60053027, 0.2970753 ], [0.13281764, 0.29326326, 0.32393028]], [[0.40892782, 0.48516547, 0.02298178], [0.51239083, 0.40151008, 0.29913204]], [[0.58001909, 0.56925704, 0.09798246], [0.20841893, 0.62683633, 0.17923217]], [[0.91216164, 0.0200782 , 0.3986682 ], [0.86687006, 0.83730576, 0.48443545]], [[0.65641654, 0.59786311, 0.2055584 ], [0.65391822, 0.74093133, 0.02416627]], [[0.80778861, 0.22644312, 0.91610686], [0.0789411 , 0.86955002, 0.41437046]], [[0.97821668, 0.97118328, 0.97714882], [0.21543173, 0.06964724, 0.35360077]]])m7.shape>>(10,2,3)

同理，也可以进行axis=1, axis=2的concat操作。

此外，axis的值也可以设置为负数，如axis=-1实际上就是指倒数第一个维度，如m5的倒数第一个维度的值就是‘3'。因此，axis=2的操作和axis=-1的操作是等价的。

以上这篇tf.concat中axis的含义与使用详解就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持。