tf.argmax函数讲解

 本文转载于以下博客地址：https://blog.csdn.net/u013580539/article/details/79339250

如有冒犯，还望谅解！

 关于tf.argmax，我看到网上的资料有些杂乱难以理解，所以写这篇文章。在tf.argmax( , )中有两个参数，第一个参数是矩阵，第二个参数是0或者1。0表示的是按列比较返回最大值的索引，1表示按行比较返回最大值的索引。下面上代码：

 

    import tensorflow as tf
     
    Vector = [1,1,2,5,3]           #定义一个向量
    X = [[1,3,2],[2,5,8],[7,5,9]]  #定义一个矩阵
     
    with tf.Session() as sess:
        a = tf.argmax(Vector, 0)
        b = tf.argmax(X, 0)
        c = tf.argmax(X, 1)
        
        print(sess.run(a))
        print(sess.run(b))
        print(sess.run(c))

 

输出的结果是：

    3
    [2 1 2]
    [1 2 2]

 

 

【-----------------------------------2019.2.25补充-------------------------------------】

其实我们操作的多维数组，比如矩阵：

[[1, 2, 3]

[ 4, 5, 6]]

它的形状为(2, 3)，其中第一个数字为“2”，第二个数字为“3”，也就是说(2, 3)这个形状的索引[0]是“2”，索引[1]是“3”，而我们这里是一个两行三列的矩阵。说到这里就得再牵扯一下n维数组，n维数组的形状是 (行数， 列数， ........)，那么既然如此，我们argmax()的第二个参数为0的时候表示按列比较，为1的时候表示按行比较。。。。。。。。。。

 

对，这里的0和1，表示的就是形状的索引！参数为0时，是根据(2, 3)[0](行，列)[0]，即行的方向进行比较，参数为1时，是按照(2, 3)[1](行，列)[1]，即列的方向进行比较！实际上，这里的“行”，也即为我们的样本数量，毕竟我们都知道，在tensorflow中我们的数据格式下标[0]的是batchsize

实验验证我们的理论：

    import tensorflow as tf
     
    x = [[1, 2, 3],[ 4, 5, 6]]
     
    with tf.Session() as sess:
        d1 = tf.argmax(x, 0)
        d2 = tf.argmax(x, 1)
        
        print(sess.run(d1))
        print(sess.run(d2))

先猜一猜输出结果，再查看答案哟 ~~

 

 

 

 

 

 

 

答案是：

    [1 1 1]
    [2 2]

你，做对了吗？

 

到现在呢，可能大家还有一个疑问：对于Vector = [1,1,2,5,3]，为什么argmax的参数写0呢，这里不是应该按照1的方向比较吗？

其实啊，这里的Vector是向量，并不是矩阵，而向量是只有一个维度的，所以，我们argmax中的参数就只能为0