np.max() 按维度获取最大值解析

话不多说直接上例子：

二维矩阵

a = np.random.random((3,2))

输出：

[[0.47， 0.84 ]
[0.08， 0.12]
[0.77， 0.02]]

不指定维度：

print(np.max(a))   #不指定维度 全部检索数据

输出：
0.84

指定维度：

沿 0 维检索：

print(np.max(a, axis = 0))   #指定维度，沿 0 维检索

输出：
[0.77 0.84]

解析： 按0维的方向比较大小，0维是哪个方向？是3X2矩阵下每个2X1一维向量的方向，如果不清楚可以看我之前的博文：tensor维度的理解
直观的理解就是上下方向，所以比较的路线为：
0.47, 0.08, 0.77 得到最大：0.77
0.84, 0.12, 0.02 得到最大： 0.84

得到的结果[0.77， 0.84]

沿 1 维检索：

print(np.max(a, axis = 1))   #沿 1 维检索

输出：
[0.84， 0.12，0.77]
解析： 按1维的方向比较大小，1维是哪个方向？是每个2X1一维向量内的数值的方向，直观的理解就是左右方向，所以比较的路线为：
0.47， 0.84 得到最大：0.84
0.08， 0.12 得到最大：0.12
0.77， 0.02 得到最大：0.77

得到结果[0.84， 0.12，0.77]

不难发现，实际上这是一个用max()函数进行降维的操作，所以输出的形状和维度有关。

三维矩阵

a = np.random.random((3,2,2))
print(a)

输出：
[
[[0.77， 0.42]
[0.76， 0.75]]

[[0.84， 0.69]
[0.24， 0.31]]

[[0.77， 0.22]
[0.41， 0.28]]
]

不指定维度：

print(np.max(a))   #不指定维度 全部检索数据

输出：
0.84

指定维度：

沿 0 维检索：

print(np.max(a, axis = 0))   #指定维度，沿 0 维检索

输出：
[[0.84， 0.69]
[0.76， 0.75]]

解析： 按0维的方向比较大小，可以理解为按0维方向用max()进行降维或者压缩，位置一一对应，所以结果肯定是2X2的矩阵。比较路线是：
0.77， 0.84， 0.77 得到最大：0.84 ，位置是[0,0]
0.42， 0.69， 0.22 得到最大：0.69 ，位置是[0,1]
0.76， 0.24， 0.41 得到最大：0.76 ，位置是[1,0]
0.75， 0.31， 0.28 得到最大：0.75，位置是[1,1]

沿 1 维检索：

print(np.max(a, axis = 1))   	#沿 1 维检索

输出：
[[0.77， 0.75]
[0.84， 0.69]
[0.77， 0.28]]

解析： 按1维的方向比较大小，一样的原理,按1维方向用max()进行降维或者压缩，不做过多解释。

沿 2 维检索：

print(np.max(a, axis = 2))   	#沿 2 维检索

输出：
[[0.77， 0.76]
[0.84，0.31]
[0.77， 0.41]]

[2020/6/18 add]

为了更直观和好理解，添加一个附带图片的例子：