在深度学习中,argmax函数很常见,标签采用ont-hot,输出层用softmax激活可以加快网络训练速度和提升准确率,而在取值时,用argmax函数取值,涉及轴问题,数据在哪个轴,axis就填哪个轴,通常数据都在最后一个轴,下面举例说明。
一维情形:
代码:
import tensorflow as tf
import numpy as np
np_arry = (np.random.normal(size=[10]))
tf_arry=tf.Variable(np_arry)
init=tf.global_variables_initializer()
with tf.Session() as sess:
sess.run(init)
print(sess.run(tf.argmax(tf_arry,axis=0)))
结果:6
二维:
import tensorflow as tf
import numpy as np
np_arry = (np.random.normal(size=[3,10]))
tf_arry=tf.Variable(np_arry)
init=tf.global_variables_initializer()
with tf.Session() as sess:
sess.run(init)
print(sess.run(tf.argmax(tf_arry,axis=1)))
结果:[4 6 4]
注意,二维的时候,3是批次,10是数据,我们如果使axis=0,程序不会报错,但结果是错的,结果的意义是批次为10,数据长度为3
三维:
import tensorflow as tf
import numpy as np
np_arry = (np.random.normal(size=[3,4,10]))
tf_arry=tf.Variable(np_arry)
init=tf.global_variables_initializer()
with tf.Session() as sess:
sess.run(init)
print(sess.run(tf.argmax(tf_arry,axis=2)))
结果:
[[0 2 8 5]
[4 9 1 0]
[7 2 6 4]]
三维一般在RNN中比较常见