Python TensorFlow:argmax（-min）

我刚刚注意到TensorFlow中有一个意想不到的行为（至少对我来说是这样）。我以为

tf.argmax

（

argmin

）从外到内在张量的列上运行，但显然它没有

例如：

import numpy as np
import tensorflow as tf

sess = tf.InteractiveSession()

arr = np.array([[31, 23,  4, 24, 27, 34],
                [18,  3, 25,  0,  6, 35],
                [28, 14, 33, 22, 20,  8],
                [13, 30, 21, 19,  7,  9],
                [16,  1, 26, 32,  2, 29],
                [17, 12,  5, 11, 10, 15]])

# arr has rank 2 and shape (6, 6)
tf.rank(arr).eval()
> 2
tf.shape(arr).eval()
> array([6, 6], dtype=int32)

tf.argmax

接受两个参数：

input

和

dimension

。由于数组

arr

的索引是

arr[行，列]

，我希望

tf.argmax（arr，0）

返回每行的最大元素索引，而我希望

tf.argmax（arr，1）

返回每列的最大元素。同样适用于

tf.argmin

然而，事实恰恰相反：

tf.argmax(arr, 0).eval()
> array([0, 3, 2, 4, 0, 1])

# 0 -> 31 (arr[0, 0])
# 3 -> 30 (arr[3, 1])
# 2 -> 33 (arr[2, 2])
# ...
# thus, this is clearly searching for the maximum element
# for every column, and *not* for every row

tf.argmax(arr, 1).eval()
> array([5, 5, 2, 1, 3, 0])

# 5 -> 34 (arr[0, 5])
# 5 -> 35 (arr[1, 5])
# 2 -> 33 (arr[2, 2])
# ...
# this clearly returns the maximum element per row,
# albeit 'dimension' was set to 1

有人能解释这种行为吗

---

广义的每个n维张量

t

由

t[i，j，k，…]

索引。因此，

t

具有秩n和形状

（i，j，k，…）

。因为维度0对应于

i

，所以维度1对应于

j

，依此类推。为什么

tf.argmax

（&-

argmin

）忽略此方案？

将

tf.argmax

的

维度

参数视为减少的轴

tf.argmax（arr，0）

减少跨维度

0

，即行。跨行减少意味着您将获得每个列的argmax

---

这可能是违反直觉的，但它符合

tf.reduce\u max

等中使用的约定。

在n维张量中，任何给定维度都有n-1维，形成离散的二维子空间。按照同样的逻辑，它有n-2个三维子空间，一直到n-（n-1），n维子空间。可以将任何聚合表示为剩余子空间内的函数，也可以表示为正在聚合的子空间中的函数。由于子空间在聚合后将不再存在，Tensorflow选择将其作为跨该维度的操作来实现

---

坦白地说，这是Tensorflow的创建者的一个实现选择，现在你知道了。

还有与numpy相同的约定。你能解释为什么跨行减少意味着获得每个列的argmax吗？另外：对于n维张量，这是如何表现的？在5D张量中，我有点搞不清哪个维度与减少

I，j，k，l

或

m

有关。根据定义，如果在行中搜索最大值，就是在列中搜索。对于任何

d

维数组，将

argmax

穿过

i

th轴意味着，对于

d-1

剩余索引的任何可能组合，您正在搜索

arr[ind1，ind2，…，ind_i_减1，：，ind_i_加上_1，…，ind_d]

中的最大值。