axis=-1的理解

二维数组ba,三维数组cba,多维数组n...ba,他们的axis=-1,这个维度都是指向a

---

axis=-1 的通用性

无论 NumPy 数组有多少个维度，axis=-1 总是指向最后一个维度。

数组类型	形状（Shape）	维度索引	axis=-1 指向
一维数组	(a,)	axis=0 或 axis=-1	a
二维数组	(b, a)	axis=1 或 axis=-1	a
三维数组	(c, b, a)	axis=2 或 axis=-1	a
多维数组	(n, ..., b, a)	最后一个索引 $\rightarrow$ axis=-1	a

为什么这个特性很重要？

在机器学习和深度学习中，这种设计非常方便，因为它让你的代码具有通用性和健壮性：

1. 特征/类别维度： 通常情况下，我们都会将特征（Feature）或类别（Class）放在数组的最后一个维度。
   • 例如，你的手写数字识别：输入数据是 (BatchSize, 784)，784 是特征数。Softmax 输出是 (BatchSize, 10)，10 是类别数。
2. 代码复用： 当你对特征或类别进行操作（例如，Softmax 归一化、求最大值 np.argmax、求平均 np.mean）时，你只需要固定使用 axis=-1。这样，无论你输入的是单个样本（形状可能是 (784,)）还是一个批次的样本（形状是 (N, 784)），你的函数都能正确执行，无需修改代码。