tf.argmax()的详细用法

tf.argmax(data, axis=None)
用tensorflow 做 mnist分类时，用到这个接口，于是就研究了下这个接口的用法：

如果是一维数组呢？

data = tf.constant([1,2,3])
with tf.Session() as sess:
	print(sess.run(tf.argmax(data, 0)))
	#轴默认为0
	print(sess.run(tf.argmax(data)))
>>> 2
>>> 2

这个很好理解，因为data是一维数组，axis只能为0（如果是1就会报错），结果返回数组中最大值的下标，所以是2

如果是二维数组呢？

data = tf.constant([[1,2,3]])
with tf.Session() as sess:
    print(sess.run(tf.argmax(data, 0)))
	print(sess.run(tf.argmax(data, 1)))
>>> [0,0,0]
>>> [2]

是不是有点晕了？
我是这么理解的：
Axis = 0时：
只有data[0] = [1,2,3], 按照对应位置比较，因为只有data[0]，1的对应位置为空，所以1是最大值，2的对应位置为空所以2是最大值，3的对应位置为空所以3是最大值。
而argmax函数返回的是最大值的索引，因为1， 2，3 都属于data[0],所以返回值是 [0, 0, 0].
Axis = 1时：

Data[0][0] = 1
Data[0][1] = 2
Data[0][2] = 3

1和2 和 3比较显然是 3最大，3的索引为2，所以返回[2]
再看一个二维数组，可能就明白了：

data = tf.constant([[1,2,3], [4,5,6]])
with tf.Session() as sess:
    print(sess.run(tf.argmax(data, 0)))
	print(sess.run(tf.argmax(data, 1)))
>>> [1, 1, 1]
>>> [2, 2]

Axis = 0时：

Data[0] = [1,2,3]
Data[1] = [4,5,6]

对应位置比较：4 > 1, 5>2, 6>3, 所以返回 4，5,6所在的索引位置[1,1,1]

Axis = 1时：

Data[0][0] = 1
Data[0][1] = 2
Data[0][2] = 3

对应位置比较 3最大，3的索引为2

Data[1][0] = 4
Data[1][1] = 5
Data[1][2] = 6

对应位置比较6最大，6的索引为2
所以最后返回[2,2].

同样如果是三维数组：

data = tf.constant([[[1,2,3]], 
                [[7, 1,9]]])
with tf.Session() as sess:
    print(sess.run(tf.argmax(data, 0))) # [[1 0 1]]
    print(sess.run(tf.argmax(data, 1))) # [[0,0,0],[0,0,0]]
	print(sess.run(tf.argmax(data, 2))) # [[2],[2]]

同样步骤分析：
Axis = 0时：

Data[0] = [[1, 2, 3]]
Data[1] = [[7, 1, 9]]

对应位置比较 7>1, 2 >1, 9> 3, 7属于索引1,2属于索引0,9属于索引1，所以返回[[1, 0,1]].
Axis = 1时：

Data[0][0] = [1,2,3]

1 2 3,对应位置分别为空，所以1,2,3在对应位置都是最大，1,2,3，都属于索引为0，返回[0,0,0]。

Data[1][0] = [7, 1,9]

7 1 9,对应位置分别为空，所以7,1,9在对应位置都是最大，7,1,9，都属于索引为0，返回[0,0,0]
所以最后返回[[0,0,0],[0,0,0]]。
Axis = 2时：

Data[0][0][0] = 1
Data[0][0][1] = 2
Data[0][0][2] = 3

3比较最大，3所在的索引为2，返回 2,

Data[1][0][0] = 7
Data[1][0][1] = 1
Data[1][0][2] = 9

9 最大，9所在的索引为2，返回2
所以最后返回[[2],[2]].
如果是四维或者更高维度，都是按照同样的方法。