embeddings =    [[[-0.30166972  0.25741747 -0.07442257  0.24321035 -0.3538919 ]
                  [-0.22572032  0.1288028  -0.4686908  -0.07217035  0.05287632]
                  [ 0.15845934  0.07064888  0.00922218  0.2841002  -0.24992025]
                  [ 0.43347922 -0.43738696 -0.08176881  0.34185413 -0.2826353 ]]
                
                 [[-0.08590135  0.06792518 -0.07807922 -0.28746927 -0.10613027]
                  [ 0.07476929  0.132256   -0.0926154   0.39621904  0.2497718 ]
                  [-0.15389556  0.0867373   0.19403657 -0.11003655  0.317669  ]
                  [ 0.3949038  -0.17275128  0.34710506 -0.02576578 -0.17427891]]
                
                 [[-0.27703786  0.02631402  0.22129896 -0.07714707  0.41439041]
                  [-0.08512023  0.19059369 -0.13418713 -0.12881753 -0.26143318]
                  [-0.333749    0.27034065  0.45429572 -0.46164128 -0.3955955 ]
                  [ 0.24430516 -0.3841647   0.37126407 -0.463441   -0.1441828 ]]]

對embeddings矩陣執(zhí)行下面操作：

a = tf.math.argmax(embeddings, axis=-1) ? # tf.math.argmax=tf.argmax，用來返回最大數(shù)值對應的index
b = tf.math.argmax(embeddings, axis=1)
c = tf.math.argmax(embeddings, axis=0)

with tf.Session() as sess:
? ? sess.run(tf.global_variables_initializer())
? ?
? ? print(embeddings.eval()) ? # a.eval 在打印時，等同于 sess.run(a)
? ? print(a.eval())
? ? print(b.eval())
? ? print(c.eval())

得到的結果是：

[[1 1 3 0]
[1 3 4 0]
[4 1 2 2]] # axis=-1, shape=[3,4]

[[3 0 2 3 1]
[3 1 3 1 2]
[3 2 2 0 0]] # axis=1, shape=[3,5]

[[1 0 2 0 2]
[1 2 1 1 1]
[0 2 2 0 1]
[0 1 2 0 2]] # axis=0, shape=[4,5]

看懂了嗎？參考上面的一句話解釋，再結合矩陣的下標表示理解一下。

剛剛的矩陣寫成下標表示就是：

embeddings = [[[a000,a001,a002,a003,a004],
               [a010,a011,a012,a013,a014],
               [a020,a021,a022,a023,a024],              
               [a030,a031,a032,a033,a034]]
              
              [[a100,a101,a102,a103,a104],
               [a110,a111,a112,a113,a114],
               [a120,a121,a122,a123,a124],              
               [a130,a131,a132,a133,a134]]
              
              [[a200,a201,a202,a203,a204],
               [a210,a211,a212,a213,a214],
               [a220,a221,a222,a223,a224],              
               [a230,a231,a232,a233,a234]]

以axis=0為例,則沿著第0個下標（最左邊的下標）變化的方向進行操作，也就是將除了第0個下標外，其他兩個下標都相同的部分分成一組，然后再進行操作。具體分組如下（省略了一些組）：

從上圖可以看出，每3個數(shù)分成一組，所以現(xiàn)在總共是分了4*5個組（所以最終返回的結果也是一個shape=[4,5]的矩陣），對每個組都執(zhí)行一次 reduce_max操作，將每個組的三個數(shù)中數(shù)值最大的數(shù)的index返回構成矩陣即可。

這里需要特別說明一下axis=-1的操作，可能對python不熟悉的人會不理解這里的-1是哪個維度。在pyhton中，-1代表倒數(shù)第一個，也就是說，假如你的矩陣shape=[3,4,5],那么對這個矩陣來說，axis=-1，其實也就等于axis=2。因為這是個三維矩陣，所以axis可能的取值為0,1,2，所以最后一個就是2。你可以自己試試看兩個取值結果是否相同。

2. 對axis的理解

通過上面的例子，你可能已經(jīng)發(fā)現(xiàn)了，axis是將矩陣進行分組，然后再操作。而分組則意味著會降維。

以剛剛的例子，原始矩陣的shape=[3,4,5]，取axis=0再進行操作后，得到的矩陣shape=[4,5]。同樣的，取axis=1再進行操作后，得到的矩陣shape=[3,5]。取axis=-1（axis=2）再操作后，shape=[3,4]。掌握這一點，能有利于你在神經(jīng)網(wǎng)絡中的變換或是數(shù)據(jù)操作中明確矩陣變換前后的形狀，從而加快對模型的理解。