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[𝑖][𝑗]…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]

<tf.Tensor: id=253, shape=(32, 32, 3), dtype=float32, numpy=
array([[[ 3.16146165e-01, 1.88969020e-02, 1.38413876e-01],
   [ 4.89341050e-01, 2.75277281e+00, 7.39786148e-01],
   [-1.25965345e+00, -2.69633114e-01, -1.16465724e+00],
   ...,

# 提取出第一张图片的第二行
x[0][1]

<tf.Tensor: id=261, shape=(32, 3), dtype=float32, numpy=
array([[ 7.4337220e-01, -1.0524833e+00, -2.6401659e-03],
   [ 5.3725803e-01, -9.5556659e-01, 4.9091709e-01],
   [-4.6934509e-01, 7.9289172e-03, -2.9179385e+00],
   [ 2.9324377e-01, 2.1451252e+00, -3.8849866e-01],
   [ 8.2027388e-01, -4.9701610e-01, -7.3374517e-02],
   ......

# 提取出第一张图片的第二行第三列的像素
x[0][1][2]

<tf.Tensor: id=273, shape=(3,), dtype=float32, numpy=array([-0.4693451 , 0.00792892, -2.9179385 ], dtype=float32)>

# 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]

<tf.Tensor: id=289, shape=(), dtype=float32, numpy=-2.9179385>

当张量的维度数较高时，使用[𝑖][𝑗]. . .[𝑘]的方式书写不方便，可以采用[𝑖,𝑗, … , 𝑘]的方式索引，它们是等价的。

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

<tf.Tensor: id=306, shape=(3,), dtype=bool, numpy=array([ True, True, True])>

2.切片

通过𝑠𝑡𝑎𝑟𝑡: 𝑒𝑛𝑑: 𝑠𝑡𝑒𝑝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]

<tf.Tensor: id=344, shape=(2, 32, 32, 3), dtype=float32, numpy=
array([[[[-3.4415385e-01, 5.8418065e-01, 1.8238322e-01],
    [ 5.3377771e-01, 5.8201426e-01, 1.2839563e+00],
    [-1.4592046e+00, -2.3443605e-01, -2.6524603e-01],
    ...,
    [-5.0662726e-01, 6.9743747e-01, -5.8803167e-02],
    [ 1.4200432e+00, -5.0182146e-01, 5.1661726e-02],
    [ 3.5610806e-02, -2.4781477e-01, 1.8222639e-01]],

[[ 1.3892423e+00, 1.1985755e+00, -6.4732605e-01],
    [ 8.5562867e-01, 1.2758574e+00, 1.7331127e+00],
    [ 9.7743452e-02, -5.3990984e-01, 8.3400911e-01],
    ...,

 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, :]

<tf.Tensor: id=344, shape=(2, 32, 32, 3), dtype=float32, numpy=
array([[[[-3.4415385e-01, 5.8418065e-01, 1.8238322e-01],
    [ 5.3377771e-01, 5.8201426e-01, 1.2839563e+00],
    [-1.4592046e+00, -2.3443605e-01, -2.6524603e-01],
    ...,

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 = −1时，start: end: −1表示从 start 开始，逆序读取至 end 结束(不包含 end)，索引号𝑒𝑛𝑑 ≤ 𝑠𝑡𝑎𝑟𝑡。

x = tf.range(9)

# 逆序输出
x[8:0:-1]
<tf.Tensor: id=31, shape=(8,), dtype=int32, numpy=array([8, 7, 6, 5, 4, 3, 2, 1])>

# 逆序取全部元素
x[::-1]
<tf.Tensor: id=35, shape=(9,), dtype=int32, numpy=array([8, 7, 6, 5, 4, 3, 2, 1, 0])>

# 逆序间隔采样
x[::-2]
<tf.Tensor: id=39, shape=(5,), dtype=int32, numpy=array([8, 6, 4, 2, 0])>

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]

<tf.Tensor: id=59, shape=(4, 32, 32), dtype=float32, numpy=
array([[[ 0.5700944 , 0.58056635, 2.2198782 , ..., -0.8475847 ,
    0.49761978, 0.28784937],
   [-0.22224228, 0.77950406, -0.01802959, ..., 0.55532527,
    0.6826188 , 0.50668514],
   [-2.4160695 , -0.96219736, 0.62681717, ..., 1.0348777 ,

为了避免出现像𝑥[: , : , : ,1]这样出现过多冒号的情况，可以使用⋯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⋯符号时，⋯符号左边的维度将自动对齐到最左边，⋯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⋯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。

来源：https://blog.csdn.net/weixin_43772533/article/details/103135467