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。
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持脚本之家。
相关文章
Python是一种强大而灵活的编程语言,它提供了丰富的数据结构和算法库,但是在处理大规模数据或者需要高效运行的情况下,需要考虑一些优化技巧,本文将介绍一些Python中常用的数据结构与算法优化技巧,需要的朋友可以参考下2024-05-05
这篇文章主要介绍了Python基于execjs运行js过程解析,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下2020-11-11
这篇文章主要介绍了python装饰器中@property属性的使用解析,property属性是一种用起来像是使用的实例属性一样的特殊属性,可以对应于某个方法,需要的朋友可以参考下2023-09-09
这篇文章主要为大家介绍了Python中的Dict，具有一定的参考价值，感兴趣的小伙伴们可以参考一下，希望能够给你带来帮助2021-12-12
Python有三大神器，一个是装饰器，一个是迭代器、生成器，最后一个就是今天文章的主角 -- 「上下文管理器」。上下文管理器在日常开发中的作用是非常大的，可能有些人用到了也没有意识到这一点2022-12-12
这篇文章主要介绍了python openpyxl使用方法详解,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下2019-07-07
这篇文章主要介绍了如何在Python中创建二叉树，帮助大家更好的理解和学习使用python，感兴趣的朋友可以了解下2021-03-03
这篇文章主要介绍了如何设计一个三层神经网络模型来实现手写数字分类。本文给大家介绍的非常详细，感兴趣的小伙伴快来跟小编一起学习一下2021-11-11
常见的应用配置方式有环境变量和配置文件,对于微服务应用,还会从配置中心加载配置,本文主要介绍了从环境变量、.env文件、.ini文件、.yaml文件等文件的读取配置,需要的可以参考下2024-01-01
python selenium执行所有测试用例并生成报告的方法
今天小编就为大家分享一篇python selenium执行所有测试用例并生成报告的方法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2019-02-02
最新评论