这篇文章将为大家详细讲解有关numpy中argmax怎么用，小编觉得挺实用的，因此分享给大家做个参考，希望大家阅读完这篇文章后可以有所收获。
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。
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
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。
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
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
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
指定axis=0就是比较行，返回列索引中的最大值
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
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
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
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
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
https://blog.csdn.net/weixin_39190382/article/details/105854567
https://www.cnblogs.com/zhouyang209117/p/6512302.html
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
关于“numpy中argmax怎么用”这篇文章就分享到这里了，希望以上内容可以对大家有一定的帮助，使各位可以学到更多知识，如果觉得文章不错，请把它分享出去让更多的人看到。
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
