Tensor的索引与切片

作用：调取数据中某一个或者某一块想取的数据

（1）常规索引方式（即a[ ][ ][ ]的方式）

In [16]: a = tf.ones([3,28,28,3])In [17]: a[0][5][7]
Out[17]: <tf.Tensor: id=50, shape=(3,), dtype=float32, numpy=array([1., 1., 1.], dtype=float32)>

（2）Numpy风格的索引

In [16]: a = tf.ones([3,28,28,3])In [18]: a[1,8,9,2]
Out[18]: <tf.Tensor: id=54, shape=(), dtype=float32, numpy=1.0>In [20]: a[2,5,9]
Out[20]: <tf.Tensor: id=62, shape=(3,), dtype=float32, numpy=array([1., 1., 1.], dtype=float32)>

（3）使用start：end

In [22]: a = tf.ones([3,28,28,3])In [23]: a.shape
Out[23]: TensorShape([3, 28, 28, 3])In [24]: a[0:2,:,:,:].shape
Out[24]: TensorShape([2, 28, 28, 3])In [25]: a[0:2,1:,:-1,:].shape
Out[25]: TensorShape([2, 27, 27, 3])In [26]: a[0:2,:2,-3:,:].shape
Out[26]: TensorShape([2, 2, 3, 3])

单一个“：”表示这一轴全取；

“0：2”表示取该轴下，序号为0，1的数据（不包含序号为2）；

“1：”表示取该轴下，序号为1至最后；

“：-1”表示取该轴下，最开始到序号为-1(序号-1即该轴下最后一位，依次向前分别为-2，-3，....)，但不取序号为-1这一位；

“：2”表示取该轴下，最开头到序号为2，但不包含序号为2。和“0：2”效果一样；

“-3：”表示取该轴下，序号为-3到最后。

（4）使用start：end：step

In [28]: a = tf.ones([3,28,28,3])In [29]: a[:,0:28:2,::2,:].shape
Out[29]: TensorShape([3, 14, 14, 3])In [39]: a[:,::-2,::-1,:].shape
Out[39]: TensorShape([3, 14, 28, 3])In [40]: a[:,0:28:-2,0::-2,:].shape
Out[40]: TensorShape([3, 0, 1, 3])

“0：28：2”表示对该轴下序号0至序号28进行间隔采样，每隔2采一次，也就是采序号为0，2，4，6，...；

"：：2"与“0：28：2”效果一样；

“：：-2”表示逆向隔行采集，采集方向从后向前，当step为负数时，前面不能有数字，比如：“0：28：-2”、“0：：-2”。

（5）使用...

In [42]: a = tf.ones([3,28,28,3])In [43]: a[0,:,:,:].shape
Out[43]: TensorShape([28, 28, 3])In [44]: a[0,...].shape
Out[44]: TensorShape([28, 28, 3])In [45]: a[0,...,2].shape
Out[45]: TensorShape([28, 28])In [47]: a[...,2,2].shape
Out[47]: TensorShape([3, 28])

a[0,:,:,:].shape与a[0,...].shape效果一致，即"..."可以省略一些内容。

（6）使用tf.gather

In [3]: a = tf.random.normal([4,35,8])In [4]: tf.gather(a,axis=0,indices=[2,3]).shape
Out[4]: TensorShape([2, 35, 8])In [5]: tf.gather(a,axis=0,indices=[2,3,1,0]).shape
Out[5]: TensorShape([4, 35, 8])

该函数参数axis表示选择的轴，indices即序号。上述表示选择轴0中序号为2，3的数据。且采集顺序依照indices的顺序。

（7）使用tf.gather_nd

In [3]: a = tf.random.normal([4,35,8])In [7]: tf.gather_nd(a,[0,1]).shape
Out[7]: TensorShape([8])In [9]: tf.gather_nd(a,[[0,1],[1,1]]).shape
Out[9]: TensorShape([2, 8])In [10]: tf.gather_nd(a,[[0,1,1],[1,1,1],[1,2,5]]).shape
Out[10]: TensorShape([3])

(8) 使用tf.boolean_mask

In [2]: a = tf.random.normal([4,28,28,3])In [5]: tf.boolean_mask(a,mask=[True,False,False,False]).shape
Out[5]: TensorShape([1, 28, 28, 3])In [6]: tf.boolean_mask(a,mask=[True,False,False],axis=3).shape
Out[6]: TensorShape([4, 28, 28, 1])

axis同样代表轴，对应于mask中True即为选中，False即不选。需注意的是mask的个数需与axis的轴的数相等。

Tensor的索引与切片相关推荐

Pytorch中Tensor的索引，切片以及花式索引(fancy indexing)
目录理解Tensor的dim 索引简单索引用1维的list,numpy,tensor索引用booltensor索引切片花式索引结语前一段时间遇到一个花式索引的问题,在搜索良久之后没有找 ...
Pytorch——如何创建一个tensor与索引和切片(一)
创建Tensor numpy是一个非常常见的数据的一个载体,数据可以先从numpy中间先导进tensor来: 1.从numpy引入 import from numpy a=np.array([2,3. ...
Pytorch——如何创建一个tensor与索引和切片(二)
1.两种常见的随机初始化 (1) rand函数 rander函数就是随机的使用0和1的均值分布来初始化,也就是说它从零和一的空间中随机的均匀的sample出来,这样数据就回均匀的分布在0和1之间. t ...
tensorflow tensor 张量部分采样切片和索引
文章目录视频索引和切片索引一维张量切片二维张量切片三维.四维张量切片 gether函数 gather_en函数视频 https://www.bilibili.com/video/BV1j ...
【TensorFlow2.0】(3) 索引与切片操作
各位同学好,今天我和大家分享一下TensorFlow2.0中索引与切片.内容有: (1) 给定每一维度的索引来获取数据:(2) 切片索引:(3) 省略号应用:(4) tf.gather() 方法:(5 ...
tensorflow中tensor的索引
tensorflow中tensor的索引 1.print(sess.run(outputs[0:2,0:2,:])) 2.print(sess.run(tf.slice(outputs,[0,0,0] ...
08_索引与切片,Indexing,Python风格的索引,index_select()选择特定索引,使用...索引任意多的维度,使用mask索引,take索引
1.8.索引与切片 1.8.1.Indexing 1.8.2.Python风格的索引 1.8.3.index_select()选择特定索引 1.8.4.使用-索引任意多的维度 1.8.5.使用mask ...
深度学习（7）TensorFlow基础操作三: 索引与切片
深度学习(7)TensorFlow基础操作三: 索引与切片一. 基础索引 1. Basic indexing 2. Numpy-style indexing 3. start : end 4. 切片 ...
【TensorFlow】——索引与切片
目录 1.利用index进行索引 2.利用":"和"..."进行索引与切片 3.tf.gather()--对一个维度进行乱序索引优势: 缺点: 例子 4.tf ...

Tensor的索引与切片

Tensor的索引与切片相关推荐

最新文章

热门文章