在数据分析时，经常会碰到axis这一参数，例如

array = np.arange(2*3).reshape(2, 3)
print("array:\n", array)
# array:
#  [[0 1 2]
#  [3 4 5]]

maximums = array.max(axis=0)
print("maximums:\n", maximums)
# maximums:
#  [3 4 5]

minimums = array.min(axis=1)
print("minimums:\n", minimums)
# minimums:
#  [0 3]

这里axis=0和axis=1可能比较好理解，我们可以看作是按行和按列。但如果是Tensor这种多维的数据，axis就不太好解释成行和列这种名词了，因为我们认知的世界也只有3维。这里再举一个例子，在Paddle中图像都是4维（batch_size, channels, height, width）表示形式，ResNet和DenseNet在每一个block后都有一个concat的操作，他们需要一个参数axis来设置连接的通道

那么究竟该如何理解 axis 这一参数呢？

我的理解是，对于2维数组，只需要记住axis=0代表列，axis=1代表行。一般的，2维数组每一行代表一个样本，每一列代表一个特征值

由于不同特征取值范围不一致，就需要对每个特征（每一列）归一化，而列，即每一行，就是axis=1。

对于图像这种4维数组理解起来会简单一点，在诸如ResNet和DenseNet网络中都是对通道数（channels）进行element_wise或者concat，而通道数在4个维度中就是第二个，因此axis=1。

# a.shape = (64, 512, 16, 16)
# b.shape = (64, 512, 16, 16)
out = fluid.layers.element_wise(a, b, axis=1)

讲了这么多可能有点乱，最后总结一下。

对于二维数组，axis=0代表列，axis=1代表行！（死记硬背）

对于四位数组，一般用axis=1，即处理通道数