[TensorFlow系列

您所在的位置：网站首页 › tensorflow切片 › [TensorFlow系列

[TensorFlow系列

#[TensorFlow系列| 来源: 网络整理| 查看: 265

第1章张量的索引与切片

1.1 张量的维度方向

1.2 张量元素的访问：下标

1.3. 张量元素的下标切片

1.4 索引切片的表达方式：

1.5 代码演示的前置条件

第2章在一个维度方向上的切片操作（切片间通过冒号：分割）

2.1 正向获取连续的序列（保持原先顺序）：默认步长为1

2.2 正向获取非连续的序列（保持原先顺序）: 步长的使用

2.3 反向获取非连续的序列（保持原先顺序）: 负数步长的使用

2.4 反/逆向获取非连续的序列（保持原先顺序）: 负数步长的使用

第3章在多个维度方向上的切片操作（维度间通过逗号，分割）

第4章对部分维度的自动推动（省略号...的使用）

第1章张量的索引与切片 1.1 张量的维度方向

[TensorFlow系列-17]：TensorFlow基础 - 张量的索引与切片_张量

1.2 张量元素的访问：下标

张量元素的标识a[Idx-x][Idx-y][Idx-z]

其中Idx-x，Idx-y，Idx-z就是张量在不同维度方向的位置下标，代表了张量元素在整个张量空间中的位置。

1.3. 张量元素的下标切片

上述访问张量的方式称为下标访问，每次只能获取张量空间中的一个点。

如何访问张量空间中的多个顺序的元素呢？

这就涉及一个新的概念，张量下标索引的切片访问。

[TensorFlow系列-17]：TensorFlow基础 - 张量的索引与切片_Tensorflow_02

切片是针对某个维度方向下标访问的，通过切片，一次可以访问多个顺序的元素，而不是唯一的元素。

每个维度方向上都可以进行各自独立的切片访问，最终可以得到的是分布在不同维度方向上的多个张量元素。

1.4 索引切片的表达方式：

[start : end : step]

通过三个参数和一个冒号“：”来定义切片的方式。

如下图所示：

[TensorFlow系列-17]：TensorFlow基础 - 张量的索引与切片_下标_03

（1）元素的下标索引

正数：正向编码，从开始第一元素开始编号，从0开始到正无穷， 0表示启第一个元素负数：反向编码，从最后一个元素开始编号，从-1开始，到负无穷，-1表示最后一个元素

（2）步长：

正数：表示索引的增长方向是正向的。负数：表示索引的增长方向是逆向的。

备注：Pytorch不支持负数步长，Tensorflow支持

（3）开闭区间

start：是闭合区间，包含start索引的元素 end：是开合区间，不包含end索引的元素

1.5 代码演示的前置条件 #环境准备 import numpy as np import tensorflow as tf print("hello world") print("tensorflow version:", tf.__version__)

第2章在一个维度方向上的切片操作（切片间通过冒号：分割） 2.1 正向获取连续的序列（保持原先顺序）：默认步长为1 #代码示例： print("原张量:") a = tf.constant([0,1,2,3,4,5,6,7,8,9]) print(a) print("\n正向切片，正向定位：有冒号, 有起始 =>[start: end) 半闭半开区间") #切取一段明确的、指定的、连续下标的元素序列 b = a[4] #没有冒号，取一个正向元素：起始闭合[4] print(b) b = a[6] #没有冒号，取一个正向元素：起始闭合[6] print(b) b = a[0:6] #有冒号，取正向序列[4,6) 半闭半开区间 => 起闭：a[4]和终开：a[5] print(b)

输出结果：

原张量 tf.Tensor([0 1 2 3 4 5 6 7 8 9], shape=(10,), dtype=int32) 正向切片，正向定位：有冒号, 有起始 =>[start: end) 半闭半开区间 tf.Tensor(4, shape=(), dtype=int32) tf.Tensor(6, shape=(), dtype=int32) tf.Tensor([0 1 2 3 4 5], shape=(6,), dtype=int32) #代码示例2： print("原张量:") a = tf.constant([0,1,2,3,4,5,6,7,8,9]) print(a) print("\n正向切片，正向定位：有冒号, 无起始，有终止 =>[: end) 半闭半开区间") b = a[:6] #有冒号，无起始，有终止，取正向序列：[0,6) 半开半闭区间 print(b)

输出：

原张量 tf.Tensor([0 1 2 3 4 5 6 7 8 9], shape=(10,), dtype=int32) 切片后张量 tf.Tensor([0 1 2 3 4 5], shape=(6,), dtype=int32) #代码示例3： print("原张量:") a = tf.constant([0,1,2,3,4,5,6,7,8,9]) print(a) print("\n正向切片，正向定位：有冒号, 有起始，无终止 =>[start:) 半闭半开区间") b = a[5:] #有冒号，有起始，无终止，取正向序列：[5,-) 半开半闭区间 print(b)

输出：

原张量 tf.Tensor([0 1 2 3 4 5 6 7 8 9], shape=(10,), dtype=int32) 正向切片，正向定位：有冒号, 有起始，无终止 =>[start:) 半闭半开区间 tf.Tensor([5 6 7 8 9], shape=(5,), dtype=int32)

代码示例4： print("原张量:") a = torch.Tensor([0,1,2,3,4,5,6,7,8,9]) print(a) print("\n正向切片，逆向定位：有冒号, 有起始 =>[start: end) 半闭半开区间") b = a[-1] #没有冒号，取一个逆向元素：[10-1] print(b) b = a[-2] #没有冒号，取一个逆向元素：[10-2] print(b) b = a[-4:-1] #有冒号，有始有终，取[-4,-1)半开半闭区间元素序列。 print(b) b = a[-4:] #有冒号，有始有终，取[-4,-)半开半闭区间元素序列。 print(b) print("原张量:") a = tf.constant([0,1,2,3,4,5,6,7,8,9]) print(a) print("\n正向切片，正向定位：有冒号, 无起始，无终止 =>[:) 半闭半开区间") b = a[:] #有冒号，无起始，无终止，取正向序列：[0,-)半开半闭区间或 [0,-1]全闭区间 print(b)

输出：

原张量 tf.Tensor([0 1 2 3 4 5 6 7 8 9], shape=(10,), dtype=int32) 正向切片，正向定位：有冒号, 无起始，无终止 =>[:) 半闭半开区间 tf.Tensor([0 1 2 3 4 5 6 7 8 9], shape=(10,), dtype=int32) # 代码示例5： print("原张量:") a = tf.constant([0,1,2,3,4,5,6,7,8,9]) print(a) print("\n正向切片，逆向定位：有冒号, 有起始 =>[start: end) 半闭半开区间") b = a[-1] #没有冒号，取一个逆向元素：[10-1] print(b) b = a[-2] #没有冒号，取一个逆向元素：[10-2] print(b) b = a[-4:-1] #有冒号，有始有终，取[-4,-1)半开半闭区间元素序列。 print(b) b = a[-4:] #有冒号，有始有终，取[-4,-)半开半闭区间元素序列。 print(b) 原张量: tf.Tensor([0 1 2 3 4 5 6 7 8 9], shape=(10,), dtype=int32) 正向切片，逆向定位：有冒号, 有起始 =>[start: end) 半闭半开区间 tf.Tensor(9, shape=(), dtype=int32) tf.Tensor(8, shape=(), dtype=int32) tf.Tensor([6 7 8], shape=(3,), dtype=int32) tf.Tensor([6 7 8 9], shape=(4,), dtype=int32)

2.2 正向获取非连续的序列（保持原先顺序）: 步长的使用 #代码示例1： print("原张量:") a = tf.constant([0,1,2,3,4,5,6,7,8,9]) print(a) print("\n正向切片，指定步长") # 默认步长为1 b = a[2:8] #无步长冒号，默认为1 print(b) b = a[2:8:] #有步长冒号，无步长数值，默认为1 print(b) b = a[2:8:1] #有步长冒号，有步长数值：1 print(b) b = a[2:8:2] #有步长冒号，有步长数值：2 print(b) b = a[2:8:3] #有步长冒号，有步长数值：3 print(b)

输出：

原张量: tf.Tensor([0 1 2 3 4 5 6 7 8 9], shape=(10,), dtype=int32) 正向切片，指定步长 tf.Tensor([2 3 4 5 6 7], shape=(6,), dtype=int32) tf.Tensor([2 3 4 5 6 7], shape=(6,), dtype=int32) tf.Tensor([2 3 4 5 6 7], shape=(6,), dtype=int32) tf.Tensor([2 4 6], shape=(3,), dtype=int32) tf.Tensor([2 5], shape=(2,), dtype=int32)

#代码示例2： print("原张量:") a = tf.constant([0,1,2,3,4,5,6,7,8,9]) print(a) print("\n默认区间，默认步长") b = a[:] print(b) b = a[::] print(b) b = a[::1] print(b)

输出：

原张量: tf.Tensor([0 1 2 3 4 5 6 7 8 9], shape=(10,), dtype=int32) 默认区间，默认步长 tf.Tensor([0 1 2 3 4 5 6 7 8 9], shape=(10,), dtype=int32) tf.Tensor([0 1 2 3 4 5 6 7 8 9], shape=(10,), dtype=int32) tf.Tensor([0 1 2 3 4 5 6 7 8 9], shape=(10,), dtype=int32)

2.3 反向获取非连续的序列（保持原先顺序）: 负数步长的使用 # 代码示例： print("原张量:") a = tf.constant([0,1,2,3,4,5,6,7,8,9]) print(a) print("\n默认区间，反向默认步长") b = a[::1] print(b) b = a[::-1] print(b) 输出：原张量: tf.Tensor([0 1 2 3 4 5 6 7 8 9], shape=(10,), dtype=int32) 默认区间，反向默认步长 tf.Tensor([0 1 2 3 4 5 6 7 8 9], shape=(10,), dtype=int32) tf.Tensor([9 8 7 6 5 4 3 2 1 0], shape=(10,), dtype=int32)

2.4 反/逆向获取非连续的序列（保持原先顺序）: 负数步长的使用 #代码示例： print("原张量:") a = tf.constant([0,1,2,3,4,5,6,7,8,9]) print(a) print("\n逆切片，指定步长") b = a[2:8:-1] #逆向步长，起始索引< 终止索引, 无序列 print(b) b = a[8:2:-1] #逆向步长，起始索引>终止索引, 有序列 print(b) b = a[-2:-8:-1] #逆向步长， print(b) b = a[-2:-8:-2] #逆向步长， print(b) b = a[-2:-8:-3] #逆向步长， print(b)

输出：

原张量: tf.Tensor([0 1 2 3 4 5 6 7 8 9], shape=(10,), dtype=int32) 逆切片，指定步长 tf.Tensor([], shape=(0,), dtype=int32) tf.Tensor([8 7 6 5 4 3], shape=(6,), dtype=int32) tf.Tensor([8 7 6 5 4 3], shape=(6,), dtype=int32) tf.Tensor([8 6 4], shape=(3,), dtype=int32) tf.Tensor([8 5], shape=(2,), dtype=int32)

第3章在多个维度方向上的切片操作（维度间通过逗号，分割） #代码案例1： print("原张量:") a = tf.constant([[0,2,4,6,8,10],[1,3,5,7,9,11],[12,13,14,15,16,17]]) print(a) print("\n在axis=0的方向上切片:") b = a[0] print(b) b = a[2] print(b)

输出：

原张量: tf.Tensor( [[ 0 2 4 6 8 10] [ 1 3 5 7 9 11] [12 13 14 15 16 17]], shape=(3, 6), dtype=int32) 在axis=0的方向上切片: tf.Tensor([ 0 2 4 6 8 10], shape=(6,), dtype=int32) tf.Tensor([12 13 14 15 16 17], shape=(6,), dtype=int32)

# 代码案例2： print("原张量:") a = tf.constant([[0,2,4,6,8,10],[1,3,5,7,9,11],[12,13,14,15,16,17]]) print(a) print("\n在axis=0的方向上切片（一个维度方向）:") b = a[1:2] print(b)

输出：

原张量: tf.Tensor( [[ 0 2 4 6 8 10] [ 1 3 5 7 9 11] [12 13 14 15 16 17]], shape=(3, 6), dtype=int32) 在axis=0的方向上切片: tf.Tensor([[ 1 3 5 7 9 11]], shape=(1, 6), dtype=int32)

#代码案例3： print("原张量:") a = tf.constant([[0,2,4,6,8,10],[1,3,5,7,9,11],[12,13,14,15,16,17]]) print(a) print("\n在axis=0和axis=1方向上切片（两个维度方向）:") b = a[1:2, 3:5] print(b) print("\n在axis=0和axis=1方向上切片（两个维度方向）:") b = a[1:3, 3:5] print(b)

输出：

原张量: tf.Tensor( [[ 0 2 4 6 8 10] [ 1 3 5 7 9 11] [12 13 14 15 16 17]], shape=(3, 6), dtype=int32) 在axis=0和axis=1方向上切片（两个维度方向）: tf.Tensor([[7 9]], shape=(1, 2), dtype=int32) 在axis=0和axis=1方向上切片（两个维度方向）: tf.Tensor( [[ 7 9] [15 16]], shape=(2, 2), dtype=int32)

第4章对部分维度的自动推动（省略号...的使用） #代码示例1： print("原张量:") a = tf.constant([[0,2,4,6,8,10],[1,3,5,7,9,11],[12,13,14,15,16,17]]) print(a) print("\n在axis=0方向上切片，在axis=1方向省略（两个维度方向）:") b = a[1:2, ...] # axis=0的切片为[1:2], axis=1省略，采用默认值 print(b) print("\n在axis=0方向省略，在axis=1方向上切片（两个维度方向）:") b = a[...,1:2,] # axis=0省略，axis=1的切片为[1:2], 采用默认值 print(b)

输出：

原张量: tf.Tensor( [[ 0 2 4 6 8 10] [ 1 3 5 7 9 11] [12 13 14 15 16 17]], shape=(3, 6), dtype=int32) 在axis=0方向上切片，在axis=1方向省略（两个维度方向）: tf.Tensor([[ 1 3 5 7 9 11]], shape=(1, 6), dtype=int32) 在axis=0方向省略，在axis=1方向上切片（两个维度方向）: tf.Tensor( [[ 2] [ 3] [13]], shape=(3, 1), dtype=int32)

【本文地址】

[TensorFlow系列

[TensorFlow系列

今日新闻

推荐新闻