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）在从外到内的Tensor的行列上运行，但显然它不是？！

示例：

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arr的索引是arr[rows, columns]，我希望tf.argmax(arr, 0)返回每行最大元素的索引，而我希望tf.argmax(arr, 1)返回最大值每列元素。同样适用于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t都由t[i, j, k, ...]编入索引。因此，t具有等级n和形状(i, j, k, ...)。由于维度0对应于i，因此维度1对应于j，依此类推。为什么tf.argmax（＆amp; - argmin）会忽略此方案？

Answer 1

将dimension的{{1}}参数视为您减少的轴。 tf.argmax跨维度tf.argmax(arr, 0)减少，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0中使用的惯例等等。

Answer 2

在n维张量中，任何给定的维度都具有n-1个维度，形成离散的二维子空间。遵循相同的逻辑，它具有n-2个3维子空间，一直到n - （n-1），n维子空间。您可以将任何聚合表示为剩余子空间中的函数，或者正在聚合的子空间中的任何聚合。由于聚合后子空间将不再存在，因此Tensorflow选择将其实现为跨该维度的操作。

坦率地说，这是Tensorflow创作者的一个实现选择，现在你知道了。

TensorFlow：argmax（-min）

2 个答案: