TensorFlow索引与切片的实现方法

索引与切片在Tensorflow中使用的频率极其高，可以用来提取部分数据。

1.索引

在 TensorFlow 中，支持基本的[&＃119894;][&＃119895;]…标准索引方式，也支持通过逗号分隔索引号的索引方式。

假设创建四张大小为3*3的彩色图片。

# 创建张量
x = tf.random.normal([4, 32, 32, 3])
# 提取出第一张图片
x[0]



# 提取出第一张图片第二行第三列第二个用到（B通道）的颜色强度
x[0][1][2][2]

当张量的维度数较高时，使用[&＃119894;][&＃119895;]. . .[&＃119896;]的方式书写不方便，可以采用[&＃119894;,&＃119895;, … , &＃119896;]的方式索引，它们是等价的。

x[1, 9, 2] == x[1][9][2]

2.切片

通过&＃119904;&＃119905;&＃119886;&＃119903;&＃119905;: &＃119890;&＃119899;&＃119889;: &＃119904;&＃119905;&＃119890;&＃119901;切片方式可以方便地提取一段数据，其中 start 为开始读取位置的索引，end 为结束读取位置的索引(不包含 end 位)，step 为读取步长。

还是以shape为[4, 32, 32, 3]的图片张量为例。

# 创建张量
x = tf.random.normal([4, 32, 32, 3])
# 读取第二张和第三张图片
x[1:3]

 start: end: step切片方式有很多简写方式，其中 start、end、step 3 个参数可以根据需要选择性地省略，全部省略时即::，表示从最开始读取到最末尾，步长为 1，即不跳过任何元素。如 x[0,::]表示读取第 1 张图片的所有行，其中::表示在行维度上读取所有行，它等于x[0]的写法。

即x[0, ::]等价于x[0 ]。

为了更加简洁，：：可以简写成为单个冒号。

x[:, 0:28:2, 0:28:2, :]

上述表示取所有图片，隔行采样，隔列采样，采集所有通道信息。相当于在图片的高宽各放缩至原来的一半。

下面是一些常见的切片方式小结：

特别地，step可以为负数。例如：step = &＃8722;1时，start: end: &＃8722;1表示从 start 开始，逆序读取至 end 结束(不包含 end)，索引号&＃119890;&＃119899;&＃119889; ≤ &＃119904;&＃119905;&＃119886;&＃119903;&＃119905;。

x = tf.range(9)

# 逆序输出
x[8:0:-1]


# 逆序取全部元素
x[::-1]


# 逆序间隔采样
x[::-2]

当张量的维度数量较多时，不需要采样的维度一般用单冒号：表示采样所有元素。

x = tf.random.normal([4, 32, 32, 3])
# 提取所有图片的G通道
x[:,:,:,1]

为了避免出现像&＃119909;[: , : , : ,1]这样出现过多冒号的情况，可以使用&＃8943;符号表示取多个维度上所有的数据，其中维度的数量需根据规则自动推断：当切片方式出现&＃8943;符号时，&＃8943;符号左边的维度将自动对齐到最左边，&＃8943;符号右边的维度将自动对齐到最右边，此时系统再自动推断&＃8943;符号代表的维度数量。

# 创建四张大小为32*32的彩色图片
x = tf.random.normal([4, 32, 32, 3])
# 读取第一张和第二张图片的G/B通道数据
x[0:2,...,1:]
# 读取最后两张图片
x[2,...]
# 读取所有图片的R/G通道
x[...,:2]

掌握了张量的索引与切片之后，会让我们的书写更加快捷。

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。