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

在使用argmax()函數時，比如在深度學習里面計算acc經常要用到這個參數，這個參數返回的是沿軸axis最大值的索引值，對於，tensorflow和numpy用法是一樣的，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 默認為None，如果指定，那么返回的結果會插入其中

對於axis默認為None的情況

首先我們看axis=None，也就是默認的時候：

二維array情況

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

輸出結果為3，因為a里面7是最大的，如果沒有指定axis，默認就是None，相當於把array平鋪為：[2,5,6,7,6,1],那么結果就是3，因為索引3對應的值最大，再來看一下三維的情況 
### 三維array的情況

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

這個里面，19最大，把它平鋪，19對應的索引就是6，那么np.argmax(b)就是6,經過驗證輸出就是6

對於給定axis的情況

如果給定axis，那么返回的就是沿着給定軸的最大索引，所謂沿着，我覺得就是投影，就是沿着這個軸投影，每一根投影線上最大值的索引。

二維情況分析

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

這次，我們給定axis=1，那么按照我們說的，就是沿着axis=1投影，看得出來，投影后我們只有兩個值，因為[2,5,6]在一根投影線上，相當於就是我理解的一個投影線，因為這些值投影后重疊了，相當於只有一個值，所以[7,6,1]也是一個投影線，然后在這兩個投影線取最大值的索引，對於[2,5,6]來說，最大值索引就是2，[7,6,1]最大值索引就是0，所以結果為[2,0] 
然后，我們分析，當我們設置axis=0的時候，也就是沿着axis=0，投影，那么[2,7]，[5,6],[6,1]分別在一個投影線上，所以結果為[1,1,0],經過驗證確實是這樣的。

三維情況分析

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

還是用上面的array來說，看一下結果：

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

同樣的分析，我們指定了軸為1，那么也就是說我們沿着axis=1軸投影，這是一個體，那么我們投影線相當於有3*2條，其實在同一根投影線上是axis=0和axis=2的一個組合，比如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，我們看他們分別為[ 0 14],[16 5],[16 19],[6 2],[11 5],[11 7],那么結果就是[[1,0],[1,0],[0,0]]。 
所以其實和二維是一樣的，所謂投影線，其實可以這樣表示，我們去axis=0，那么我們遍歷其他維度的大小，比如 arr[:,0,0],arr[:,0,1],也就是沿着那個軸，那么軸取全部值，然后再在投影線上找最大值對應索引。

總結

tensorflow里面的是一樣的用法，同時argmin()用法相同，只是他是求最小值的索引。