TensorFlow——索引与切片操作

TensorFlow 的索引与切片操作

一.基本切片操作

首先，TensorFlow有最基本的切片操作，这个和许多高级语言的方式一样。同时，TensorFlow与Numpy语法也兼容。可以直接照搬Numpy的切片和索引操作。

除了这些，TensorFlow也有其特有的切片方法。

二. TensorFlow 自带的切片方法

2.1-tf.gather

tf.gather(
    params,
    indices,
    validate_indices=None,
    name=None,
    axis=0
)#提取出params的第axis维度上在indices里面所有的index

我们假设有这么一组数据，表示[班级号，学生号，课程号]。如果，我们有4个班级，每个班级有35个学生，每个学生修8个课程。那么整体就会组成一个[4,35,8]的数据，存储在变量a当中。

其中：

• In[46]：axis=0正好对应班级号。于是这一行的意思就是：我想看班号为2,3这两个班的情况。返回的数据就是一个[2,35,8]的数据，In[47]意思一样。
• in[49]部分，axis=1，对应的是学生号，也就是说，我想看每个班级的2,3,7,9,16号学生的情况，返回的就是[4,5,8]的数据。以此类推。

gather方法也可以组合使用。比如说：我想取每个班级前7个学生的，前三门课程的情况，我就可以这么写：

aa = tf.gather(a,axis=1,indices=[0,1,2,3,4,5,6]) # 把所有班级的前7个学生提出来
aaa = tf.gather(aa,axis=2,indices=[0,1,2])

2.2-tf.gather_nd

tf.gather_nd(
    params,
    indices,
    name=None
) # 含义与gather差不多，但是gather只能指定一个axis，在一个轴上索引，但在gather_nd当中可以进行多维索引

• In[60]：0班的情况，自然是有35个学生，每个学生修8个课程，于是shape是[35,8]

• In[61]：0班1号同学的情况，这个同学自然是修8个课程，于是shape是[8]

• In[62]：0班1号同学的2号课程，课程下面没有划分了，于是返回的shape是[]

• In[63]：相当于a[a[0,1,2]]，就相当于一个a[[]]，这当中有一个元素：[]。所以返回一个1维的shape

gather_nd支持多维索引，上面这些代码就是例子：

• In[56]：查看0班0号同学，1班1号同学的情况，这是两个同学，每个同学修8门课程，所以shape为[2,8]

• In[57]同理

• In[58]查看0班0号同学0号课程，1班1号同学的1号课程，2班2号同学的2号课程，返回的是a[[],[],[]]，即：a当中有三个元素(这三个元素都是[]),所以返回shape是[3]

• In[59]：最后返回的是a[a[[],[],[]]]，即a当中取一行，这一行有三个元素（三个元素都是[]）这显然是一个一行三列的数据，所以shape是[1,3]

2.3-tf.boolean_mask

这个直接对标Numpy和Pandas当中的“遮罩”，利用bool类型，对某些元素进行“遮挡”。

维数比较多，可能比较难想。你大可以像之前班级那个例子那样，想象一下某个情景：比如说In[75]的地方，你大可以想象成：4个班级，每个班级28个学生，每个学生评价有28个指标，每个指标分成3等。这样就可以把抽象的东西具体化。

• In[76]：由于axis 默认是0，所以这么写就相当于取axis的前两个。返回的自然是[2,28,28,3]

• In[77]：axis=3有3个属性。取前两个.

• In[79]：注意，mask也是一个两行三列的，那么选取 出来的数据，一定是一个4个属性（因为选出来的肯定是最后一个axis的）。第一个[True, False, False]就相当于第0行只取第0个元素。第二个[False, True, True]，就相当于取第1行的，第一，第二个元素。每个元素当中，由都包含4个1，所以最后返回的就是3行4列，全是1的矩阵。