对于tf.argmax的理解

写一下理解。

1. 举例

现在一个2x3x4的张量a：

a = [
    [[1, 2, 3, 4],
     [4, 3, 2, 1],
     [2, 2, 2, 2]],
    [[2, 2, 2, 2],
     [1, 2, 3, 4],
     [4, 3, 2, 1]]
]

根据a的内容，我们现在假设现在有2个坐标系，每个坐标系有3个坐标轴，每个坐标轴上有4个点，每个点的大小可能是1,2,3,4,

第一个坐标系：

x轴点大小分别是1, 2, 3, 4;

y轴点大小分别是4, 3, 2, 1;

z轴点大小分别是2, 2, 2, 2;

第二个坐标系：

x轴点大小分别是2, 2, 2, 2;

y轴点大小分别是1, 2, 3, 4;

z轴点大小分别是4, 3, 2, 1;

（1）我们首先比较两个坐标系点的大小信息，如果第一个坐标系对应的点大，就标0，第二个大就标1，得到：

x轴点大小分别是1, 0, 0, 0;

y轴点大小分别是0, 0, 1, 1;

z轴点大小分别是1, 1, 0, 0;

（2）我们再比较每个坐标系里面不同坐标轴的点大小信息，x轴大标0，y轴大标1，z轴大标2，得到：

第一个坐标系：

1, 1, 0, 0

第二个坐标系：

2, 2, 1, 1

（3）我们再比较每个轴自己最大的点，位于第一个位置标0，位于第二个位置标1，位于第三个位置标2，位于第四个位置标3，得到：

第一个坐标系：

3，

0，

0，

第二个坐标系：

0，

3，

0，

2. 归纳

对于tensorflow来说，维度数字越低，包含的信息越多，类比上述我们可以说0维包含两个坐标系，1维包含3个坐标轴，2维包含4个点

就像是两个苹果比较完只留下一个大的，在哪个维度比较完，哪个维度就被降维了

所以tf.argmax(a,0)，就是在坐标系比较，0维度被降维，留下3个坐标,轴和4个坐标点的信息，得到的是：

[[1, 0, 0, 0],[0, 0, 1, 1],[1, 1, 0, 0]]，维度1x3x4，

tf.argmax(a,1)，就是在坐标轴比较，1维度被降维，留下2个坐标系和4个坐标点的信息，得到的是：

[[1, 1, 0, 0], [2, 2, 1, 1]]，维度2x1x4

tf.argmax(a,2)，就是在坐标点比较，2维度被降维，留下2个坐标系和3个坐标轴的信息，得到的是：

[[3，0，0],[0， 3, 0]]，维度2x3x1