在关于numpy，tensorflow，pytorch中均会涉及到axis的问题，它是帮助我们快速取值的利器，如果axis不清楚，采集的数据并处理比自然不对，更谈不上继续其他操作了。
下面以tf.argmax(),取最大值索引为例，进行讲解到底axis如何指向。
二维数据比较简单，如下图：
matrix1 = [[1., 4., 3.], # 二维，元素为列表
[5., 2., 6.]]
t1 = tf.reduce_sum(matrix1) # 所有元素求和 # tf.Tensor(21.0, shape=(), dtype=float32)
t2 = tf.reduce_sum(matrix1, axis=0) # 纵向求和 tf.Tensor([6. 6. 9.], shape=(3,), dtype=float32)
t3 = tf.reduce_sum(matrix1, axis=1) # 横向求和 tf.Tensor([ 8. 13.], shape=(2,), dtype=float32)
那么三维甚至更高维呢？，谁是0维，谁是1维，谁是2维……
matrix2 = [[[5., 2.], [3., 4.]], # 三维，元素为矩阵
[[1., 6.], [7., 8.]]]
t3 = tf.reduce_sum(matrix2, axis=0) # 0向求和 tf.Tensor([[ 6. 8.] [10. 12.]], shape=(2, 2), dtype=float32).详解：5+1=6，2+6=8，3+7=10，4+8=12---》[[6,8],[10,12]]
t4 = tf.reduce_sum(matrix2, axis=1) # 1向求和 tf.Tensor([[ 8. 6.] [ 8. 14.]], shape=(2, 2), dtype=float32).详解：5+3=8，2+4=6，1+7=8，6+8=14，--》[[8,6],[8,14]]
t5 = tf.reduce_sum(matrix2, axis=2) # 2向求和 tf.Tensor([[ 7. 7.] [ 7. 15.]], shape=(2, 2), dtype=float32) 详解： 5+2=7，3+4=7，1+6=7，7+8=15，---》[[7,7],[7,18]]
# 比较发现，axis = 0，指的是最外层的操作,
print(t3, t4, t5)
'''
[[[1,2,3],[4,5,6]],[[a,b,c],[d,e,f]]]
1-->a, 4-->d这个方向代表第0维，axis=0
1-->4，这个方向代表第1维，axis = 1
1,2,3,这个方向代表第2维，axis=2
最熟悉的最小单元是最高维。（轴）
'''
t7 = tf.argmax(matrix2, axis=2) #
t8 = tf.argmax(matrix2, axis=0)
t9 = tf.argmax(matrix2, axis=1)
print(t7, t8, t9)
'''
tf.Tensor(
[[0 1]
[1 1]], shape=(2, 2), dtype=int64) tf.Tensor(
[[0 1]
[1 1]], shape=(2, 2), dtype=int64) tf.Tensor(
[[0 1]
[1 1]], shape=(2, 2), dtype=int64)
'''
总结：0维是从最外层去看，之后一层层递进，深入内层。
参考：https://www.cnblogs.com/logo-88/p/9295858.html
如果还不理解，敲一下以下代码，不用tensorflow也可以，a是[4,35,8]的矩阵，班级，学生，课程成绩
