 import tensorflow as tf

 t = tf.constant([[[1, 1, 1], [2, 2, 2]], [[3, 3, 3], [4, 4, 4]], [[5, 5, 5], [6, 6, 6]]])

 #(3 2 3)

 slicet1 = tf.slice(t, [1, 0, 0], [1, 1, 3])

 slicet2 = tf.slice(t, [1, 0, 0], [1, 2, 3])

 slicet3 = tf.slice(t, [1, 0, 0], [2, 1, 3])

 sess=tf.Session()

 print(sess.run((slicet1)))#[[[3 3 3]]]

 print(sess.run((slicet2)))#[[[3 3 3]

                           #[4 4 4]]]

 print(sess.run((slicet3)))#[[[3 3 3]]

                           #[[5 5 5]]]

Shape:

shape的功能是读取tensor各维度的长度，以本例中t为例，括号共有3层，即t为3维tensor，下面进行逐层分析。

只看它最外面的括号，可以看成是：

t = [A, B, C] #这是第一维度

然后每一个里面有两个元素，可以写成：

A = [i, j]， B = [k, l]， C = [m, n] #这是第二维度

最后，这i, j, k, l, m, n中又分别有三个元素：

i = [1, 1, 1], j = [2, 2, 2], k = [3, 3 ,3], l = [4, 4, 4], m = [5, 5, 5], n = [6, 6, 6] # 这是第三维度

所以shape就是中括号 [ ] 的层级里单位的数量。

对于t，最外面括号里有3个元素，分别是A, B, C。这三个元素中每个里面有2个元素, i和j, k和l, m和n。

他们里面每一个又有3个数字。所以t的shape是[3,2,3]。

Slice:

在解释slice之前，首先要注意python的数组index是从0开始的。

之后来看例子：

tf.slice(t, [1, 0, 0], [1, 1, 3]) # begin = [1, 0, 0]

这里根据顺序我们知道，begin是[1, 0, 0], size是[1, 1, 3]. 他们两个数组的意义是从左至右，每一个数字代表一个维度。上面说了begin的意思是起始位置，那么[1, 0, 0]的意思是在3个维度中，每个维度从哪里开始算起。

第一维度是[A, B, C]。 begin里[1, 0, 0]是1，也就是从B算起。其次第二维度里B = [k, l]，begin里第二个数是0，也就是从k算起。第三维度k = [3, 3 ,3]，begin里第三个数是0，就是从第一个3算起。

确定这三个起始点之后，再来看size。

size的意思是每个维度的大小，也就是每个维度取几个元素。size的应该是最后输出的tensor的shape。

本例中：

t = tf.constant([[[1, 1, 1], [2, 2, 2]], [[3, 3, 3], [4, 4, 4]], [[5, 5, 5], [6, 6, 6]]])

tf.slice(t, [1, 0, 0], [1, 1, 3]) # size = [1, 1, 3]

size里第一个是1，意思是在第一个维度取1个元素。t = [A, B, C] begin是起算是B，取1个那就是B。故第一维度结果就是[B]

size第二个也是1，第二维度B = [k, l]， begin里起算是k，取1个是k。那么第二维度结果是[[k]]。

size第三个是3,第三维度k = [3, 3 ,3]，begin里起算是第一个3。取3个元素，即把三个3都取了，所以是[[[3, 3, 3]]]

例2：

t = tf.constant([[[1, 1, 1], [2, 2, 2]], [[3, 3, 3], [4, 4, 4]], [[5, 5, 5], [6, 6, 6]]])

tf.slice(t, [1, 0, 0], [1, 2, 3])

这里begin还是一样[1, 0 ,0]。 size第一个维度取一个，还是[B]。然后size第二个数不是1了，是2，意为取两个。因B = [k, l]，所以，是k和l都要取。第三维度取3个，即k = [3, 3 ,3]，l = [4, 4, 4]都要slice走。

总结一下，第一维度取[B]。第二维度里把B换成[k, l],就变成了[[k, l]]. 第三维度里把k换成[3, 3 ,3]，把l 换成 [4, 4, 4]，替换后是最终结果

[[[3, 3, 3], [4, 4, 4]]]

例外：

t = tf.constant([[[1, 1, 1], [2, 2, 2]], [[3, 3, 3], [4, 4, 4]], [[5, 5, 5], [6, 6, 6]]])

tf.slice(t, [1, 0, 0], [-1, -1, -1])

对于这种情况，源代码注释中有一句话：

If `size[i]` is -1, all remaining elements in dimension i are included in the slice. In other words, this is equivalent to setting: `size[i] = input.dim_size(i) - begin[i]`

也就是说，如果size输入值是-1的话，在那个维度剩下的数都会slice走。上面的例子中，begin是[1, 0, 0]。三个维度都是-1的话，那么结果: 第一维度是[B,C]；第二维度是[[k, l], [m, n]]; 第三维度是[[[3,3,3], [4,4,4]], [[5,5,5], [6,6,6]]]

expand_dims()

 #coding=utf-8

 import tensorflow as tf

 import numpy as np

 t=[[2,3,3],

    [1,5,5]]

 t1=tf.expand_dims(t,0)

 t2=tf.expand_dims(t,1)

 t3=tf.expand_dims(t,2)

 t4=tf.expand_dims(t,-1)

 print(np.shape(t))         #(2, 3)

                            #np.shape()是读取各维度的长度

                            #t初始化为二维，第一维度长度为2，第二维度长度为3，即2X3两行三列的矩阵

 print(np.shape(t1))        #(1, 2, 3)在0号位置插入一个维度

 print(np.shape(t2))        #(2, 1, 3)在1号位置插入一个维度

 print(np.shape(t3))        #(2, 3, 1)在2号位置插入一个维度

 print(np.shape(t4))        #(2, 3, 1)在最后一个位置插入一个维度

本例中，原本t为2*3，即长2宽3的二维平面，tf.expand_dims完成升维，即把二维平面扩展为三维空间，即2*3*1，长2宽3高1。

tf.expand_dims(input, dim, name=None)

第1个参数input为输入张量，第2个参数为新增维度的位置。

比如原来是x*y，现在新增z，t3=tf.expand_dims(t,2)后，现态空间就变成了x*y*z,类似的，第2个参数为0时，现态空间为z*x*y

dim传的参数值起维度定位作用。

ref:

https://www.tensorflow.org/versions/r1.1/api_docs/python/tf/slice

https://www.quora.com/How-does-tf-slice-work-in-TensorFlow

https://www.jianshu.com/p/71e6ef6c121b

巴特西

Shape，expand_dims，slice基本用法

expand_dims()

最新文章

热门文章