TensorFlow:argmax(-min)

Question

我刚注意到TensorFlow中的一个意外(至少对我来说)行为.我认为tf.argmax( - argmin)从外到内操作Tensor的行列,但显然它没有？!

例:

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有两个参数:input和dimension.由于数组的索引arr是arr[rows, columns],我希望tf.argmax(arr, 0)返回每行最大元素的索引,而我本来希望tf.argmax(arr, 1)返回每列的最大元素.同样地tf.argmin.

但事实恰恰相反:

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

有人可以解释这种行为吗？

广义的每个n维张量都t被索引t[i, j, k, ...].因此,t具有等级n和形状(i, j, k, ...).由于尺寸0对应于i尺寸1 j,等等.为什么tf.argmax(& - argmin)会忽略这个方案？

Answer 1

想想作为你减少的轴的dimension论点tf.argmax.tf.argmax(arr, 0)减少跨维度0,即行.减少行数意味着您将获得每个列的argmax.

这可能违反直觉,但它符合等中使用的约定tf.reduce_max.