目录
- 一、基本介绍
- 二、代码实验
- 1、一维数组情况
- 1.1、axis=0
- 1.2、axis=1
- 2、二维数组情况
- 2.1、axis=0
- 2.2、axis=1
- 3、三维数组情况
- 3.1、axis=0
- 3.2、axis=1
- 3.3、axis=2
- 3.4、axis=-1
- 四、Reference
- PS：补充
一、基本介绍
numpy中的argmax简而言之就是返回最大值的索引，当使用np.argmax(axis)，这里方向axis的指定往往让人不理解。
简而言之：这里axis可以让我们从行、列、或者是深度方向来看一个高维数组。
二、代码实验
1、一维数组情况
简单一维情况，np.argmax()直接返回最大值的索引，不指定axis可以认为是将数组拉平之后寻找最大值的索引
1.1、axis=0
当我们指定axis=0时，其实是在列中作比较，寻找最大的行的索引
当然对于这个一维情况没有什么影响。
1.2、axis=1
当我们指定axis=1的时候报错了，这是因为我们的a是一维数组，没有axis=1这个轴，可见当我们使用np.argmax()时axis的指定不能超过所需要排序的数组
2、二维数组情况
不指定axis就是相当于把二维数组拉平，直接选取最大值的索引
2.1、axis=0
指定axis=0就是比较列，返回行索引中的最大值
我们改写一个b中的元素，我们期望的结果是[2,2,1,2]
实际结果和我们期望相符合
2.2、axis=1
指定axis=0就是比较行，返回列索引中的最大值
3、三维数组情况
一个三维数组可以视作一张图片，它的三个维度分别为(high, width, channels) 分别表示图像的高、宽、通道数(深度)。常见的彩色图像都有三个通道，我们以常见的RGB图像为例构建一个数组。
直接使用np.argmax()，就是之间将三维数组拉平，寻找最大值的索引
3.1、axis=0
单独查看c的三个通道的数据，如图所示
对于三个通道取axis=0意味分别比较列返回行的最大值索引
我们期望的返回值应该是[[1,1,1,],[1,1,1],[1,1,1]]，实际的结果和我们的期望一致
3.2、axis=1
对于三个通道取axis=1意味分别比较行返回列的最大值索引
我们期望的结果是[[2, 2, 2],[2, 2, 2],[2, 2, 2],[2, 2, 2]],，实际的结果和我们的期望一致
3.3、axis=2
取axis=2意味着我们从图像的深度方向(通道方向)来进行比较，可以认为三个数组的叠在一起的，分别对应channel0，channel1，channel2而我们取最大值的索引就是返回对应pixel像素所在的通道索引。
c的channel2所有的像素值均大于其他两个channel所有返回值应该是[[2,2,2,],[2,2,2,],[2,2,2,],[2,2,2,]]，实际结果和我的期望一致
3.4、axis=-1
axis=-1即是反过来看轴，对于三维情况axis=-1和axis=2一致
其他：
对于二维情况axis=-1和anxis=1一致
对于一维情况axis=0和anxis=-1一致
四、Reference
https://blog.csdn.net/weixin_39190382/article/details/105854567
https://www.cnblogs.com/zhouyang209117/p/6512302.html
PS：补充
1.对一个一维向量
import numpy as np a = np.array([3, 1, 2, 4, 6, 1]) b=np.argmax(a)#取出a中元素最大值所对应的索引，此时最大值位6，其对应的位置索引值为4，（索引值默认从0开始） print(b)#4
2.对2维向量（通常意义下的矩阵）a[][]
import numpy as np a = np.array([[1, 5, 5, 2], [9, 6, 2, 8], [3, 7, 9, 1]]) b=np.argmax(a, axis=0)#对二维矩阵来讲a[0][1]会有两个索引方向，第一个方向为a[0]，默认按列方向搜索最大值 #a的第一列为1，9，3,最大值为9，所在位置为1， #a的第一列为5，6，7,最大值为7，所在位置为2， #此此类推，因为a有4列，所以得到的b为1行4列， print(b)#[1 2 2 1] c=np.argmax(a, axis=1)#现在按照a[0][1]中的a[1]方向，即行方向搜索最大值， #a的第一行为1，5，5，2,最大值为5（虽然有2个5，但取第一个5所在的位置），索引值为1， #a的第2行为9，6，2，8,最大值为9，索引值为0， #因为a有3行，所以得到的c有3个值，即为1行3列 print(c)#[1 0 2]
3.对于三维矩阵a[0][1][2],情况最为复制，但在lstm中应用最广
import numpy as np a = np.array([ [ [1, 5, 5, 2], [9, -6, 2, 8], [-3, 7, -9, 1] ], [ [-1, 7, -5, 2], [9, 6, 2, 8], [3, 7, 9, 1] ], [ [21, 6, -5, 2], [9, 36, 2, 8], [3, 7, 79, 1] ] ]) b=np.argmax(a, axis=0)#对于三维度矩阵，a有三个方向a[0][1][2] #当axis=0时，是在a[0]方向上找最大值，即两个矩阵做比较，具体 #(1)比较3个矩阵的第一行，即拿[1, 5, 5, 2], # [-1, 7, -5, 2], # [21, 6, -5, 2], #再比较每一列的最大值在那个矩阵中，可以看出第一列1，-2，21最大值为21，在第三个矩阵中，索引值为2 #第2列5，7，6最大值为7，在第2个矩阵中，索引值为1.....，最终得出比较结果[2 1 0 0] #再拿出三个矩阵的第二行，按照上述方法，得出比较结果 [0 2 0 0] #一共有三个，所以最终得到的结果b就为3行4列矩阵 print(b) #[[0 0 0 0] #[0 1 0 0] #[1 0 1 0]] c=np.argmax(a, axis=1)#对于三维度矩阵，a有三个方向a[0][1][2] #当axis=1时，是在a[1]方向上找最大值，即在列方向比较，此时就是指在每个矩阵内部的列方向上进行比较 #(1)看第一个矩阵 # [1, 5, 5, 2], # [9, -6, 2, 8], # [-3, 7, -9, 1] #比较每一列的最大值，可以看出第一列1，9，-3最大值为9，，索引值为1 #第2列5，-6，7最大值为7，，索引值为2 # 因此对第一个矩阵，找出索引结果为[1，2，0,1] #再拿出2个，按照上述方法，得出比较结果 [1 0 2 1] #一共有三个，所以最终得到的结果b就为3行4列矩阵 print(c) #[[1 2 0 1] # [1 0 2 1] # [0 1 2 1]] d=np.argmax(a, axis=2)#对于三维度矩阵，a有三个方向a[0][1][2] #当axis=2时，是在a[2]方向上找最大值，即在行方向比较，此时就是指在每个矩阵内部的行方向上进行比较 #(1)看第一个矩阵 # [1, 5, 5, 2], # [9, -6, 2, 8], # [-3, 7, -9, 1] #寻找第一行的最大值，可以看出第一行[1, 5, 5, 2]最大值为5，，索引值为1 #第2行[9, -6, 2, 8],最大值为9，，索引值为0 # 因此对第一个矩阵，找出行最大索引结果为[1，0，1] #再拿出2个矩阵，按照上述方法，得出比较结果 [1 0 2 1] #一共有三个，所以最终得到的结果d就为3行3列矩阵 print(d) # [[1 0 1] # [1 0 2] # [0 1 2]] ################################################################### #最后一种情况，指定矩阵a[0, -1, :]，第一个数字0代表取出第一个矩阵（从前面可以看出a有3个矩阵）为 # [1, 5, 5, 2], # [9, -6, 2, 8], # [-3, 7, -9, 1] #第二个数字“-1”代表拿出倒数第一行，为 # [-3, 7, -9, 1] #这一行的最大索引值为1 # ，-1，代表最后一行 m=np.argmax(a[0, -1, :]) print(m)#1 #h,取a的第2个矩阵 # [-1, 7, -5, 2], # [9, 6, 2, 8], # [3, 7, 9, 1] #的第3行 # [3, 7, 9, 1] #的最大值为9，索引为2 h=np.argmax(a[1, 2, :]) print(h)#2 g=np.argmax(a[1,:, 2])#g,取出矩阵a，第2个矩阵的第3列为-5，2，9,最大值为9，索引为2 print(g)#2
到此这篇关于深入理解numpy中argmax的具体使用的文章就介绍到这了,更多相关numpy argmax内容请搜索本网站以前的文章或继续浏览下面的相关文章希望大家以后多多支持本网站！
您可能感兴趣的文章:
- 详解numpy的argmax的具体使用
