tf.gather(params,indices,axis=0)从params的axis维根据indices的参数值获取切片如上图所示，params一共6个维度，indices为[2,1,3,4]被取了出来

tf.gathertf.gather可以实现根据索引号收集数据的目的。考虑班级成绩册的例子，假设共有4个班级，每个班级35个学生，8门科目，保存成绩册的张量shape为[4,35,8]x=tf.random.uniform([4,35,8],maxval=100,dtype=tf.int32)#成绩册张量现在需要收集第1~2个班级的成绩册，可以给定需要收集班级的索引号：[0,1]，并指定班级的维度

Sessiontf.global_variables_initializer()tf.local_variables_initializer()tf.layers.batch_normalizationtf.ones_liketf.transposetf.concat()tf.gather

HiWangWenBing/article/details/119651022目录第1章Tensor运算概述1.1概述1.3张量的操作与变换1.4环境准备1.5张量的操作-筛选过滤第2章单一维度方向的任意顺序的切片：tf.gather

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)tf.gather_nd()方法；(6)布尔索引选数据那我们开始吧。

Tensorflow2函数接口说明GradientTapereduce_sum()tf.cast()tf.concat()tf.Variable()广播机制tf.gather(params,ind

来源https://sodocumentation.net/tensorflow/topic/2511/tensor-indexing为Tensor指定非连续的部分分片，并提取相关特征值使用到的函数为tf.gather

目录目标提取张量切片一维张量高维张量tf.strided_slice：通过设定步长来提取张量切片tf.gather：从张量的单个轴中提取特定索引tf.gather_nd：从张量的多个轴中提取切片在张量中插入数据

文章目录tf.where()tf.gather()tf.squeeze()tf.less()、tf.greater()、tf.equal()等比较函数tf.where()tf.where(condition

Tensor索引tf.gather数据结构『4，35，8』4个班级，35个学生，8门课的成绩从一个Tensor中一个维度出发抽取需要的特定的几个数据tf.gather_nd从一个Tensor中多个维度出发抽取需要的特定的几个数据其中

tf.gather(  params,indices,validate_indices=None,axis=None,batch_dims=0,name=None)官网一共给了6个参数，只介绍其中重要的

tf.expand_dims(input,dim)input.unsqueeze(dim)/input.view()tf.squeeze(input,dim)torch.squeeze(dim)/input.view()tf.gather

常用的函数有tf.gather,tf.gather_nd和tf.batch_gather。

目录一、按索引取数据①tf.gather()②tf.gather_nd③tf.boolean_mask二、维度变换①tf.reshape()②tf.transpose()③tf.expand_dims(

params,indices,axis=0)从params的axis维根据indices的参数值获取切片t1=tf.ones(shape=(10,10))t2=tf.Variable([2,3])t3=tf.gather

对于提取张量的连续子区域，也可以使用tf.slice.此外，对于不规则的切片提取,可以使用tf.gather,tf.gather_nd,tf.boolean_mask。

提示如果代码中出现了你不懂的接口，请翻看本人博客分类中名为“tensorflow学习”的类目中，本人肯定一定有的，这里就列取出了主要的两个接口说明，其他如果不懂的，请自己去找哈tf.nn.dynamic_rnn详解tf.gather

1.实现tf.gather在pytorch中，实现tf.gather很简单，只需要使用select。

先通过tf.where得到大于0的索引值，再透过tf.gather用所以提取对应的tensor值。

tensorflow和numpy在数据处理上语法相似但又不完全一样，比如在numpy中想取指定维度的多个指定索引所指向的数据时，直接用一个列表保存索引就能直接取，比如：#b的shape为[2,3,2]b=np.array([[[1,2],[2,3],[3,4]],[[4,5],[5,6],[6,7]]])a=[0,1,2]#假若要取b的第2个维度（从1算起）的以a为索引的数据，只需写成如下形式b[

所幸，tensorflow提供了tf.gather()和tf.gather_nd()函数。

tf.slice(input_,begin,size,name=None)：按照指定的下标范围抽取连续区域的子集tf.gather(params,indices,validate_indices=None

文章目录Tensorflow进阶合并与分割合并分割数据统计向量范数最大值最小值均值和张量比较填充和复制填充复制数据限幅高级操作tf.gather、tf.gather_nd、tf.boolean_mask

tf.gather(params,indices,validate_indices=None,name=None,axis=0)Gatherslicesfrom`params`axis`axis`accordingto

文章目录tf.gather()首先来看官方的API说明params的维度数不等于indices的维度数待续tf.gather()首先来看官方的API说明tf.gather(params,indices,

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.gather_nd()——同时对多个维度进行索引5、tf.boolean_mask

tf.slice(input_,begin,size,name=None)：按照指定的下标范围抽取连续区域的子集tf.gather(params,indices,validate_indices=None

tf.gather和gather_nd从params中收集数值，tf.scatter_nd和tf.scatter_nd_update用updates更新某一张量。

所幸，tensorflow提供了tf.gather()和tf.gather_nd()函数。

tf.gather和gather_nd从params中收集数值，tf.scatter_nd和tf.scatter_nd_update用updates更新某一张量。

importnumpyasnpimporttensorflowastfsess=tf.InteractiveSession()a=tf.constant([5,5,6,6,3,3])b=tf.reshape(tf.range(6),(3,2))b=tf.tile(b,[2,3])sess.run(b)array([[0,1,0,1,0,1],[2,3,2,3,2,3],[4,5,4,5,4,5],

pytorch同等作用的函数：tf.reshape(input,shape)->input.view(shape)tf.minium(input,min)->torch.clamp(input,max)tf.gather

1.4.1、双冒号另一个神奇的功能:tensor倒序1.5、切片(省略号)...1.6、SelectiveIndexing1.6.1、tf.gather1.6.2、tf.gather

Step:步长步长为负数表示倒序…：表示省略逻辑上全部的维度Tf.gather:第一个参数是数据源，axis搜索的维度序号，indices在该维度下搜索值的序号可改变数据次序。【2，1，4

tf.hstack()3、tf.transpose():对tensor进行转置4、tf.maximum()、tf.minimum()5、tf.image.non_max_suppression()：非极大抑制算法6、tf.gather

importtensorflowastfimportnumpyasnpa=tf.placeholder(tf.int32,shape=(3,2))#bb=tf.constant(a)#thearrayreordered=tf.gather

Pytorch实现逻辑变换很容易，因为与numpy互相转换。但是，tensorflow实现可能有些困难，但是可以转换思路实现。例如：pytorch实现lab[lab>10]=255，然后再将255去掉，只取非255部分,计算losstensorflow只需要计算loss时，tf.gather_nd(lab,index)，index=tf.where(lab50)#提取多维度的矩阵逻辑操作c=tf.

1、当indices=[0,2],axis=0input=[[[[1,1,1],[2,2,2]],[[3,3,3],[4,4,4]],[[5,5,5],[6,6,6]]],[[[7,7,7],[8,8,8]],[[9,9,9],[10,10,10]],[[11,11,11],[12,12,12]]],[[[13,13,13],[14,14,14]],[[15,15,15],[16,16,16]],