TensorFlow笔记（十五）——tf.slice()切片函数

た入场券 2021-12-07 11:43 242阅读 0赞

> def slice(input\_, begin, size, name=None):

*  其中“input\_”是你输入的tensor，就是被切的那个。
 *  “begin”是每一个维度的起始位置，这个下面详细说。
 *  “size”相当于问每个维度拿几个元素出来【1】。

--------------------

下面看**例1：**

> t = tf.constant(\[\[\[1, 1, 1\], \[2, 2, 2\]\], \[\[3, 3, 3\], \[4, 4, 4\]\], \[\[5, 5, 5\], \[6, 6, 6\]\]\])
> 
> tf.slice(t, \[1, 0, 0\], \[1, 1, 3\])

这个输出是：

> \[\[\[3, 3, 3\]\]\]

首先作为一个3维数组t，你要先明白他的shape是\[3,2,3\].

# 解析: #

这个shape是怎么来的呢？咱们把这个t分解一下看就好理解了。那一大堆有括号的t，只看它最外面的括号的话，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东西，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里面分别是：

> 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来说，最外面括号里有3个东西，分别是A, B, C。这三个东西每个里面有两个玩意儿, 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**\[3,2,3\]**。这是我的理解方式。

--------------------

# Slice: #

在解释slice之前，有一点要知道的是python的数组index是从0开始的。

有了这个基础，我们再来看例子：

> 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 = \[k, l\]（注意啊，我这里只写了B = \[k, l\]，可不代表只有B有用，如果size里第一个数字是2的话，B和C都会被取的），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。

到现在都能看懂吧？知道了这三个起始点之后，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。

例子里面：

> 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，取一个那就是B了呗。那么第一维度结果就是**\[B\]**

size第二个也是1，第二维度B = \[k, l\]， begin里起算是k，取一个是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。三个3取3个数，那就要把三个3都取了，所以是

> \[\[\[3, 3, 3\]\]\]

看懂了吗？是不是有点像代数？\[B\]里把B换成\[k\]， 再把k换成\[3, 3 ,3\]。最后注意中括号的数量，和size一样是\[1, 1, 3\].

--------------------

**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, \[1, 0, 0\], \[1, 2, 3\])

看懂了第一个，再看第二个就简单了。这里begin还是一样\[1, 0 ,0\]。 size第一个维度取一个，还是\[B\]。然后这里不是1了，是2，意思是取两个。还记得B = \[k, l\]吗？现在不是只要k了，是k和l都要。第三维度取3个，也就是说不光是k = \[3, 3 ,3\]，l = \[4, 4, 4\]也要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

> \[\[\[3, 3, 3\], \[4, 4, 4\]\]\]

是不是觉得看懂了也挺简单的，只是可能不太习惯这种思维方式。

--------------------

**例3：**

> 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, 维度i中的所有剩余元素都包含在切片中。换句话说，这相当于设置: \`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\[\[\[3,3,3\], \[4,4,4\]\], \[\[5,5,5\], \[6,6,6\]\]\]

**例4：【2】**

> import tensorflow as tf  
> import numpy as np  
> **x=\[\[1,2,3\],\[4,5,6\]\]**  
> y=np.arange(24).reshape(\[2,3,4\])  
> z=tf.constant(\[\[\[1,2,3\],\[4,5,6\]\], \[\[7,8,9\],\[10,11,12\]\],  \[\[13,14,15\],\[16,17,18\]\]\]  
> sess=tf.Session()  
> **begin\_x=\[1,0\]**        \#第一个1，决定了从x的第二行\[4,5,6\]开始，第二个0，决定了从\[4,5,6\] 中的4开始抽取  
> **size\_x=\[1,2\]**           \# 第一个1决定了，从第二行以起始位置抽取1行，也就是只抽取\[4,5,6\] 这一行，在这一行中从4开始抽取2个元素  
> out=tf.slice(x,begin\_x,size\_x)  
> print sess.run(out)  \#  结果:\[\[4 5\]\]  
>    
> begin\_y=\[1,0,0\]  
> size\_y=\[1,2,3\]  
> out=tf.slice(y,begin\_y,size\_y)     
> print sess.run(out)  \# 结果:\[\[\[12 13 14\] \[16 17 18\]\]\]  
>    
> begin\_z=\[0,1,1\]  
> size\_z=\[-1,1,2\]   
> out=tf.slice(z,begin\_z,size\_z)  
> print sess.run(out)  \# size\[i\]=-1 表示第i维从begin\[i\]剩余的元素都要被抽取，结果：\[\[\[ 5  6\]\] \[\[11 12\]\] \[\[17 18\]\]\]  
>

转自：

【1】tf.slice()到底怎么切的：https://www.jianshu.com/p/71e6ef6c121b

【2】Tensorflow API 学习(3)-tf.slice()：[https://blog.csdn.net/chenxieyy/article/details/53031943][https_blog.csdn.net_chenxieyy_article_details_53031943]

[https_blog.csdn.net_chenxieyy_article_details_53031943]: https://blog.csdn.net/chenxieyy/article/details/53031943