「Numpy」解析numpy.mean函数对高维数组求均值

背景

复现Retinex算法时看别人代码发现一句：

im_blur[s, :, :, channel] = 这里的代码不重要
np.mean(im_blur, 0)

变量im_blur在这里是一个高维numpy数组，上面的代码对im_blur赋值后又对其某个轴求了平均值。虽然能明白作者的意图，但高位数组加上求平均就给我看得有点懵，特此记录。

np.mean

先来看Numpy官网对mean函数参数的定义：

numpy.mean(a, axis=None, dtype=None, out=None, keepdims=<no value>, *, where=<no value>)

只说本文感兴趣的前两个变量。第一个变量a就不说了；第二个变量axis表示所求平均值对应的轴。

假定存在一个高维np数组a，定义为：

a = np.array([[[[1, 1, 1], [1, 1, 1]],[[2, 2, 2], [2, 2, 2]], [[3, 3, 3], [3, 3, 3]]]，
              [[[4, 4, 4], [4, 4, 4]],[[6, 6, 6], [6, 6, 6]], [[8, 8, 8], [8, 8, 8]]]])

显然a是一个形状为[2, 3, 2, 3]的四维数组，那么在np.mean函数的axis参数中，有四个轴可选：axis = 0, 1, 2, 3；如果a为五维数组，那么axis参数有五个轴可选axis = 0, 1, 2, 3, 4；更高维度以此类推。本文以四维上面的四维数组为例：

定义数组a:

可以看到数组形状为dim_range = (2, 3, 2, 3)，形状对应的axis命名为axis = (0, 1, 2, 3)

• 当dim_range = 2, axis = 0时，
  
  可以看到求平均后的输出形状正好对应数组a去掉0轴之后的形状，也就是说，此时对数组a求的平均，是将a[0, :, :, :]与a[1, :, :, :] 对应位置相加除以元素个数得到的输出，即：
  
  将上图中每个红色矩形框中，两个对应的数组相加除2得到的结果。

• 当dim_range = 3, axis = 1时，
  
  可以看到求平均后的输出形状正好对应数组a去掉1轴之后的形状，也就是说，此时对数组a求的平均，是将a[:, 0, :, :]，a[: , 1, :, :]， a[: , 2, :, :] 对应位置相加除以元素个数得到的输出，即：

即 ([1, 1, 1] + [2, 2, 2] + [3, 3, 3]) / 3 = [2, 2, 2]

• 当dim_range = 2, axis = 2时，
  
  可以看到求平均后的输出形状正好对应数组a去掉2轴之后的形状，也就是说，此时对数组a求的平均，是将a[:, :, 0, :]，a[:, :, 1, :] 对应位置相加除以元素个数得到的输出，即：

--------------------------------------20211202更新----------------------------------------
…发现这篇没写完，看了一下上面写的，应该能看懂，就不更了