numpy 和tensorflow中argmax()，argmin()函數使用講解

在使用argmax()函數時，好比在深度學習裏面計算acc常常要用到這個參數，這個參數返回的是沿軸axis最大值的索引值，對於，tensorflow和numpy用法是同樣的，此處我就用numpy來舉例說明。

argmax(a, axis=None, out=None)
# a 表示array # axis 表示指定的軸，默認是None，表示把array平鋪， # out 默認爲None，若是指定，那麼返回的結果會插入其中

• 1
• 2
• 3
• 4

對於axis默認爲None的狀況

首先咱們看axis=None，也就是默認的時候：

二維array狀況

a = np.array([[2,5,6],[7,6,1]]) print(np.argmax(a))

• 1
• 2

輸出結果爲3，由於a裏面7是最大的，若是沒有指定axis，默認就是None，至關於把array平鋪爲：[2,5,6,7,6,1],那麼結果就是3，由於索引3對應的值最大，再來看一下三維的狀況 
### 三維array的狀況

b = np.random.randint(20,size=[3,2,2]) print(b) [[[ 0 16] [14 5]] [[16 6] [19 2]] [[11 11] [ 5 7]]]

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10

這個裏面，19最大，把它平鋪，19對應的索引就是6，那麼np.argmax(b)就是6,通過驗證輸出就是6

對於給定axis的狀況

若是給定axis，那麼返回的就是沿着給定軸的最大索引，所謂沿着，我以爲就是投影，就是沿着這個軸投影，每一根投影線上最大值的索引。

二維狀況分析

a = np.array([[2,5,6],[7,6,1]]) print(np.argmax(a,axis=1)) [2 0]

• 1
• 2
• 3

此次，咱們給定axis=1，那麼按照咱們說的，就是沿着axis=1投影，看得出來，投影后咱們只有兩個值，由於[2,5,6]在一根投影線上，至關於就是我理解的一個投影線，由於這些值投影后重疊了，至關於只有一個值，因此[7,6,1]也是一個投影線，而後在這兩個投影線取最大值的索引，對於[2,5,6]來講，最大值索引就是2，[7,6,1]最大值索引就是0，因此結果爲[2,0] 
而後，咱們分析，當咱們設置axis=0的時候，也就是沿着axis=0，投影，那麼[2,7]，[5,6],[6,1]分別在一個投影線上，因此結果爲[1,1,0],通過驗證確實是這樣的。

三維狀況分析

b = np.random.randint(20,size=[3,2,2]) print(b) [[[ 0 16] [14 5]] [[16 6] [19 2]] [[11 11] [ 5 7]]]

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10

仍是用上面的array來講，看一下結果：

print(np.argmax(b,axis=1)) [[1 0] [1 0] [0 0]]

• 1
• 2
• 3
• 4

一樣的分析，咱們指定了軸爲1，那麼也就是說咱們沿着axis=1軸投影，這是一個體，那麼咱們投影線至關於有3*2條，其實在同一根投影線上是axis=0和axis=2的一個組合，好比axis=1中第一個上的和axis=2的第一個上的組合，也就是b[0,:,0],b[0,:,1],b[2,:,0],b[2,:,1],b[3,:,0],b[3,:,1]這六條線的索引對應的最大值，咱們看他們分別爲[ 0 14],[16 5],[16 19],[6 2],[11 5],[11 7],那麼結果就是[[1,0],[1,0],[0,0]]。 
因此其實和二維是同樣的，所謂投影線，其實能夠這樣表示，咱們去axis=0，那麼咱們遍歷其餘維度的大小，好比 arr[:,0,0],arr[:,0,1],也就是沿着那個軸，那麼軸取所有值，而後再在投影線上找最大值對應索引。

總結

tensorflow裏面的是同樣的用法，同時argmin()用法相同，只是他是求最小值的索引。