numpy 和tensorflow中argmax()，argmin()函数使用讲解

在使用argmax()函数时，好比在深度学习里面计算acc常常要用到这个参数，这个参数返回的是沿轴axis最大值的索引值，对于，tensorflow和numpy用法是同样的，此处我就用numpy来举例说明。

argmax(a, axis=None, out=None)
# a 表示array # axis 表示指定的轴，默认是None，表示把array平铺， # out 默认为None，若是指定，那么返回的结果会插入其中

• 1
• 2
• 3
• 4

对于axis默认为None的状况

首先咱们看axis=None，也就是默认的时候：

二维array状况

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

• 1
• 2

输出结果为3，由于a里面7是最大的，若是没有指定axis，默认就是None，至关于把array平铺为：[2,5,6,7,6,1],那么结果就是3，由于索引3对应的值最大，再来看一下三维的状况 
### 三维array的状况

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

这个里面，19最大，把它平铺，19对应的索引就是6，那么np.argmax(b)就是6,通过验证输出就是6

对于给定axis的状况

若是给定axis，那么返回的就是沿着给定轴的最大索引，所谓沿着，我以为就是投影，就是沿着这个轴投影，每一根投影线上最大值的索引。

二维状况分析

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

• 1
• 2
• 3

此次，咱们给定axis=1，那么按照咱们说的，就是沿着axis=1投影，看得出来，投影后咱们只有两个值，由于[2,5,6]在一根投影线上，至关于就是我理解的一个投影线，由于这些值投影后重叠了，至关于只有一个值，因此[7,6,1]也是一个投影线，而后在这两个投影线取最大值的索引，对于[2,5,6]来讲，最大值索引就是2，[7,6,1]最大值索引就是0，因此结果为[2,0] 
而后，咱们分析，当咱们设置axis=0的时候，也就是沿着axis=0，投影，那么[2,7]，[5,6],[6,1]分别在一个投影线上，因此结果为[1,1,0],通过验证确实是这样的。

三维状况分析

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来讲，看一下结果：

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

• 1
• 2
• 3
• 4

一样的分析，咱们指定了轴为1，那么也就是说咱们沿着axis=1轴投影，这是一个体，那么咱们投影线至关于有3*2条，其实在同一根投影线上是axis=0和axis=2的一个组合，好比axis=1中第一个上的和axis=2的第一个上的组合，也就是b[0,:,0],b[0,:,1],b[2,:,0],b[2,:,1],b[3,:,0],b[3,:,1]这六条线的索引对应的最大值，咱们看他们分别为[ 0 14],[16 5],[16 19],[6 2],[11 5],[11 7],那么结果就是[[1,0],[1,0],[0,0]]。 
因此其实和二维是同样的，所谓投影线，其实能够这样表示，咱们去axis=0，那么咱们遍历其余维度的大小，好比 arr[:,0,0],arr[:,0,1],也就是沿着那个轴，那么轴取所有值，而后再在投影线上找最大值对应索引。

总结

tensorflow里面的是同样的用法，同时argmin()用法相同，只是他是求最小值的索引。