在使用argmax()函数时，比如在深度学习里面计算acc经常要用到这个参数，这个参数返回的是沿轴axis最大值的索引值，对于，tensorflow和numpy用法是一样的，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，如果指定，那么返回的结果会插入其中

1

2

3

4

对于axis默认为None的情况

首先我们看axis=None，也就是默认的时候：

二维array情况

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

print(np.argmax(a))

1

2

输出结果为3，因为a里面7是最大的，如果没有指定axis，默认就是None，相当于把array平铺为：[2,5,6,7,6,1],那么结果就是3，因为索引3对应的值最大，再来看一下三维的情况

### 三维array的情况

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,经过验证输出就是6

对于给定axis的情况

如果给定axis，那么返回的就是沿着给定轴的最大索引，所谓沿着，我觉得就是投影，就是沿着这个轴投影，每一根投影线上最大值的索引。

二维情况分析

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

print(np.argmax(a,axis=1))

[2 0]

1

2

3

这次，我们给定axis=1，那么按照我们说的，就是沿着axis=1投影，看得出来，投影后我们只有两个值，因为[2,5,6]在一根投影线上，相当于就是我理解的一个投影线，因为这些值投影后重叠了，相当于只有一个值，所以[7,6,1]也是一个投影线，然后在这两个投影线取最大值的索引，对于[2,5,6]来说，最大值索引就是2，[7,6,1]最大值索引就是0，所以结果为[2,0]

然后，我们分析，当我们设置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，所以结果为[1,1,0],经过验证确实是这样的。

三维情况分析

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

还是用上面的array来说，看一下结果：

print(np.argmax(b,axis=1))

[[1 0]

[1 0]

[0 0]]

1

2

3

4

同样的分析，我们指定了轴为1，那么也就是说我们沿着axis=1轴投影，这是一个体，那么我们投影线相当于有3*2条，其实在同一根投影线上是axis=0和axis=2的一个组合，比如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，我们看他们分别为[ 0 14],[16 5],[16 19],[6 2],[11 5],[11 7],那么结果就是[[1,0],[1,0],[0,0]]。

所以其实和二维是一样的，所谓投影线，其实可以这样表示，我们去axis=0，那么我们遍历其他维度的大小，比如 arr[:,0,0],arr[:,0,1],也就是沿着那个轴，那么轴取全部值，然后再在投影线上找最大值对应索引。

总结

tensorflow里面的是一样的用法，同时argmin()用法相同，只是他是求最小值的索引。