TensorFlow: argmax (-min)

Я только что заметил неожиданное (по крайней мере для меня) поведение в TensorFlow. Я думал, что tf.argmax (- argmin) работает в рядах тензора от внешнего к внутреннему, но, видимо, это не так!!

Пример:

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 принимает два аргумента: input и dimension. Поскольку индексы массива arr равны arr[rows, columns], я бы ожидал, что tf.argmax(arr, 0) вернет индекс максимального элемента для каждой строки, в то время как я ожидал, что tf.argmax(arr, 1) вернет максимальный элемент на столбец. Аналогично для tf.argmin.

Однако верно и обратное:

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

Может ли кто-нибудь объяснить это поведение?

Обобщенный каждый n-мерный тензор t индексируется на t[i, j, k, ...]. Таким образом, t имеет ранг n и форму (i, j, k, ...). Поскольку размерность 0 соответствует i, размерность 1 до j и т.д. Почему tf.argmax (& - argmin) игнорирует эту схему?