在讲解之前，先来一个该函数的参数说明：
argmax(a, axis=None, out=None)
# a 表示array
# axis 表示指定的轴，默认是None，表示把array平铺，
# out 默认为None，如果指定，那么返回的结果会插入其中对于axis这个参数，对于大家来说是最困惑或者是最头疼的事情，相信你在网上看到很多这样的结论：axis=0时，返回列最大的索引值；axis=1时，返回行最大的索引值；你也许也看到过使用投影的方法，可以参考：https://www.cnblogs.com/psztswcbyy/p/9282530.html
不过这些结论我们经常混淆，如：行和列记反了，而使用投影的方式分析起来比较晦涩难懂
好了，今天带大家使用数中括号[]的方式来快速得出答案
以三维数组进行讲解，其它的维度分析过程差不多
array=[[[0,16],[14,5]],
[[16,6],[19,2]],
[[11,11],[5,7]]
]
1 当axis=0时，即tensorflow.argmax(array,axis=0)，好了，我们现在开始数中括号，
可以写成array=[大元素1，大元素2，大元素3]，现在比较的是各大元素之间对应元素的值，然后得出索引，最终输出的结果一定是类似这样的结构如下： [大元素1]
现在讲解各大对应元素索引的计算：
所以最终结果拼接起来为 [大元素]=[[[1，0]，[1，2]]]，由于最外一层中括号在表示时显得多此一举了，所以最终结果为：
[[1，0]，[1，2]]
编写程序验证如下：
可能你看到这里还是没明白我想表达什么，莫急，且听我分析完axis=1和axis=2的情况再来对比就明白了
2 axis=1时，数第二个中括号，如下图：
可以写成：array=[[大元素1，大元素2],[大元素1，大元素2],[大元素1，大元素2]]，最终输出的结果一定是类似这样的结构如下： [[大元素1，大元素2]]
现在讲解各大对应元素索引的计算：
最终结果为：[[1,0]，[1,0],[0,0]]
程序验证如下：
3 当axis=2时，数第三个中括号，如下图：
可以写成：
array=[[[大元素1，大元素2],[大元素1，大元素2]],
[[大元素1，大元素2],[大元素1，大元素2]],
[[大元素1，大元素2],[大元素1，大元素2]]
]，
最终输出的结果一定是类似这样的结构如下：
[[[大元素1],[大元素1]],
[[大元素1],[大元素1]],
[[大元素1],[大元素1]]
]
其实所谓的大元素只剩下一个元素，所以中括号显得多余了，可以写成：
[[大元素1,大元素1],
[大元素1,大元素1],
[大元素1,大元素1]
]
现在讲解各大对应元素索引的计算：
程序验证如下：
4 axis不可能等于3了，因为所谓的大元素只有一个元素了
好了，分析到这里了，二维和无穷多维的分析方法一样，其实核心思想都是使用投影的方法，最后给一张以投影方式的三维图，请自己分析了，如下图：
