【TensorFlow2.0】(3) 索引与切片操作
各位同學好，今天我和大家分享一下TensorFlow2.0中索引與切片。內容有：
(1) 給定每一維度的索引來獲取數據；(2) 切片索引；(3) 省略號應用；(4) tf.gather() 方法；(5) tf.gather_nd() 方法；(6) 布爾索引選數據
那我們開始吧。
1. 給定每一維度的索引獲取數據
1.1 變量[ ][ ] 方法
首先定義一個全為1的四維tensor，如：tf.ones([2,3,3,2])。由于整個數據龐大，不利于觀察，我們使用.shape來觀察取出數據的情況。
#創建一個全為1的四維tensor，默認float32
a = tf.ones([2,3,3,2])
# 返回3，3，2的tensor
a[0].shape
#取出3行2列的矩陣tensor
a[0][0].shape
#返回長度為2列表tensor
a[0][0][0].shape
#值為標量1，是0維tensor.
a[0][0][0][1].shape 我們可以把這個四維tensor，[2,3,3,2]，理解為，有2個班級，每個班級有3名同學，每名同學有3門科目，每門科目有2份作業。
a[0]?可以理解為，第0個班級的所有數據，它包含3名同學，每名有3門科目，每科目有2份作業。因此，a[0] 是一個三維tensor，形狀為[3,3,2]
a[0][0]?可以理解為，第0個班級的第0個同學的所有數據，它包含3門科目，每科目有2份作業。因此，a[0][0]?是一個二維tensor，形狀為[3,2]
同理其他兩個
1.2 變量[ , ] 方法
我們創建一個四維隨即正態分布的tensor，形狀shape為[4,5,6,7]，我們同樣可以用上一個理解方法來看這個四維tensor。4個班級，每班5個人，每人6門課，每門課7份作業。
#創建一個四維隨機正態分布tensor
a = tf.random.normal([4,5,6,7])
#
a[1].shape # 返回[5,6,7]
#
a[1,2].shape # 返回[6,7]
#
a[1,2,3].shape # 返回[7]
#
a[1,2,3,4] # 返回值
a[1,2] 代表第1個班級中，第2名學生的所有信息，包含6門功課，每門課7份作業。因此，a[1,2].shape是一個二維tensor，形狀為[6,7]。該方法a[1,2]等同于上述的a[1][2]。可以少寫括號且更直觀。
a[1,2,3,4] 代表第1個班級中的第2名學生的第3門功課的第4份作業的信息，返回一個值。
2. 切片索引
2.1 變量[start : end]
使用位置索引切片，顧頭不顧尾
# ==1== 方法一#從0-9的10個元素組成的tensor
a = tf.range(10)
# 獲取3、4、5
a[3:6]
# 獲取前3個，0、1、2
a[:3]
# 獲取倒數第4個到倒數第2個，-1代表最后一個
a[-4:-1]
2.2 多個冒號，變量[A , : , : , B]
首先創建一個四維的tensor，shape為[4,5,6,7]。可以理解為，有4幅圖像，每幅圖像有5行，每一行包含6列，每一列有7個數據。
# ==2== 方法二
#創建4維tensor
b = tf.ones([4,5,6,7])
# 第0張圖像有5行，每行有6列，每列有7個數
b[0].shape
# 取第0張圖片的所有數據
b[0,:,:,:].shape
# 變成單通道，前3個維度全部獲取，第四個維度取第2個
b[:,:,:,2].shape
# 4張圖像都取第2行，每行的所有列，每列的所有值，shape[4,6,7]
b[:,2,:,:].shape
b[0] 和 b[0,:,:,:] 代表相同意思，都是取第0張圖像的全部數據，返回的shape都是[5,6,7]，即第0張圖像有5行，每行有6列，每列有7個數值。
而 b[:,2,:,:] 代表所有圖像的第2行數據，包含4張圖像，每張圖像有6列，每列有7個數值。因此，shape為[4,6,7]
2.3 指定步長，隔行采樣，變量[start : end?: step]
正序，定義的四維tensor，shape為[5,6,7,8]，可以按上述方法理解它。
# 定義四維且值全為1的tensor
c = tf.ones([5,6,7,8])
# 第1、3張圖像的所有數據
c[1:5:2,:,:,:].shape
# 5張圖片圖片的第1、3行，0、2列的所有數據
c[:,1:5:2,:4:2,:].shape
c[ 1:5:2 , : , : , : ]?代表第1、3張圖像的全部信息，因為1到5張圖像，步長為2，顧頭不顧尾。因此shape為 [2,6,7,8]
c[:,1:5:2,:4:2,:] 代表所有5張圖像，取1、3行信息，和取0、2列信息中的所有數據。因此shape為 [5,2,2,8]
步長為負數時，要求A靠近原數據尾端，B是前端
逆序排序方法： 變量 [A : B : -1]
# ==4== 逆序排序
#創建0-4的tensor
d = tf.range(5)
# 給d逆序排序
d[::-1]
# 倒序：4、2、0
d[4::-2] 3. 省略號 '...' 方法
相比于 變量[ A , : , : ,?: , B]，變量 [ A , ... , B ] 中，省略號自動計算A和B之間有幾個':'，寫起來更方便。
首先創建一個五維tensor，形狀shape為[3,10,12,14,8]，其中 a[0] 和 a[0 , : , : , : , : ] 和 a[0 , ...] 代表的意思相同，都是指第一張圖像的全部數據。shape為[10,12,14,8]
a[0 , ... , 4 , :] 中的省略號代表第3、4維度的全部數據，shape為[10,12,8]
# 創建一個五維tensor
a = tf.random.normal([3,10,12,14,8])
# 第0張圖像的所有數據
a[0].shape
a[0,:,:,:,:].shape # 和上式相同
a[0,...].shape # 省略號代表后面的冒號
# 省略號代表中間兩維
a[0,...,4,:].shape 4. tf.gather()函數
指定某一個維度，按照指定索引獲取數據
tf.gather(tensor, axis, indices=[ ])
value：代表tensor數據
axis： 代表取哪個維度
indices： 數據收集順序，指定維度的具體索引
4.1 使用一次 tf.gather()
創建一個三維的data全由0構成，shape為[4,35,8]，可以理解為4個班級，每個班級35個人，每個人有8門功課。指定一個維度，獲得該維度下其他維度的部分數據
# 假設data三維[班級,學生,科目]
data = tf.zeros([4,35,8])
# indices指定收集順序，查第2、3個班級的所有數據
tf.gather(data,axis=0,indices=[2,3]).shape
# 指定維度1即學生，收集索引號維30、5、18、2這四個學生的數據
tf.gather(data,axis=1,indices=[30,5,18,2]).shape
axis用來指定維度，axis=0代表班級維度，axis=1代表學生，axis=2代表功課。
先指定維度0代表班級維度，獲取第2、3個班級的全部數據，返回shape為[2,35,8]。班級維度變成了2個，而而每個班級仍包含35名學生，每名學生，仍有8門課。
若指定維度1代表學生維度，挑選第30、5、18、2這四名同學。這4個班都挑選需要為這四個數的四名學生，獲取他們的全部數據，因此，班級維度沒有改變，還是4，學生維度指定了只有4個，功課維度沒變，仍有8個，最后shape為[4,4,8]
4.2 連續使用幾次 tf.gather()
上面是獲取指定維度指定索引的全部數據。如果我想獲取指定維度指定索引的指定數據怎么辦呢。
我們連續使用兩次tf.gather()來抽查，所有班級某幾位同學的某幾門課的成績
# 獲得四個班級指定三名學生的指定的三門課信息
data = tf.zeros([4,35,8])
a1 = tf.gather(data,axis=1,indices=[30,5,18,2]) #獲取4名學生的全部信息
a2 = tf.gather(a1,axis=2,indices=[6,1,4]).shape #axis=2指定科目，獲取6，1，4科目信息
獲得四個班級，每個班的30、5、18、2這個四名同學的6、1、4這3門功課的信息，因此結果shape為[4,4,3]
5. tf.gather_nd() 函數
tf.gather_nd(tensor, indices)
按照 indices 的格式從傳入的tensor中抽取切片（合并為一個Tensor）indices是一個K維整數Tensor
首先創建一個三維且值全為0的tensor，可按上述方法理解這三維。
# 指定2個維度，取第三個維度的所有值
data = tf.zeros([4,35,8])
# 獲取第[[0]]個班級所有數據，返回值減少一維度
a1 = tf.gather_nd(data,[0]).shape
# 取0號班級第1個學生的數據，返回值少兩個維度
a2 = tf.gather_nd(data,[0,1]).shape
# 取0號班級第1個學生的第2門課的數據，返回值少三個維度
a3 = tf.gather_nd(data,[0,1,2]).shape
tf.gather_nd(data,[0,1,2]) 代表從data中獲取第0個班級的第1個學生的第2門課的數據，是一個值，因此返回的shape為 []
注意參數indices的括號使用方法，如a5，首先獲取第0個班級的第1個學生的功課數據（一維），第1個班級第5個學生的功課數據（一維），2個列表組合放到一個列表里，組成二維列表，再在外面加一個中括號，生成三維，理解為這是第1次抽取結果，因此返回的shape為[1,2,8]
再如a6，獲取的是指定班級指定學生的功課信息，[0,4]指第0個班級第4位同學的所有功課數據，返回一個列表（一維），由8門功課組成。三個一維列表外面加一個中括號，構成二維列表。shape維[3,8]。指有3位同學，每位同學有8門課。
# 取第0個班級的第1名學生的第2門課成績，和第1個班級的第5名學生的第7門課成績，放在一個列表中
a4 = tf.gather_nd(data,[[0,1,2],[1,5,7]]).shape
# 取第0個班級的第1名學生的所有課成績，和第1個班級的第5名學生的所有課成績
a5 = tf.gather_nd(data,[[[0,1],[1,5]]]).shape
# 將二維的成績信息放在一個三維tensor中，
# 第一維表示第一次記錄，第二維表示哪些學生，第三維表示每個學生的所有科目
a6 = tf.gather_nd(data,[[0,4],[1,7],[3,5]]).shape
# 第0個班級的第4個學生的所有科目，第1個班級第7個學生所有科目。。。組合成一個二維tensor
6. 布爾索引選數據
tf.boolean_mask(tensor, mask=布爾標記, axis=指定維度)
mask的shape要和指定維度的tensor的shape相同。輸出mask標記維True的值。
# 選擇輸出mask為True的值
a = tf.ones([3,35,5,10]) # 3個班級35名學生5門課各有10份作業
# 對第0維的3個班級生成mask，即值要第0、1個班級的數據
tf.boolean_mask(a,mask=[True,True,False]).shape #默認axis=0，即第一個維度
# 對第2維的課目生成mark，要第2、3門課的所有信息
tf.boolean_mask(a,mask=[False,False,True,True,False],axis=2).shape
tf.boolean_mask(a,mask=[True,True,False]).shape 對班級維度的三個班級進行選擇，第0、1個班級為True，第2個班級為False，因此輸出第0、1個班級的全部信息，即shape為[2,35,5,10]
生成一個三維的值全為1的tensor，沒有指定axis，可看出是對班級維度和學生維度的篩選。輸出結果的第一行是第0個班級第0個學生的4項信息，結果的第二三行是第1個班級第1、2個學生的四項信息。
b = tf.ones([2,3,4])
# mask對應b的前兩維度，第0維度取第0列的所有數據，第維度取第1、2列的所有數據
tf.boolean_mask(b,mask=[[True,False,False],[False,True,True]])
總結
以上是生活随笔為你收集整理的【TensorFlow2.0】(3) 索引与切片操作的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 【TensorFlow2.0】(2) 创
- 下一篇： 【TensorFlow2.0】(4) 维