TensorFlow索引與切片的實(shí)現(xiàn)方法

更新時(shí)間：2019年11月20日 14:40:40 作者：HUN ysy

這篇文章主要介紹了TensorFlow索引與切片的實(shí)現(xiàn)方法，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧

索引與切片在Tensorflow中使用的頻率極其高，可以用來(lái)提取部分?jǐn)?shù)據(jù)。

1.索引

在 TensorFlow 中，支持基本的[𝑖][𝑗]…標(biāo)準(zhǔn)索引方式，也支持通過(guò)逗號(hào)分隔索引號(hào)的索引方式。

假設(shè)創(chuàng)建四張大小為3*3的彩色圖片。

# 創(chuàng)建張量
x = tf.random.normal([4, 32, 32, 3])
# 提取出第一張圖片
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],
    ...,


# 提取出第一張圖片的第二行
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],
    ......

# 提取出第一張圖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)>

# 提取出第一張圖片第二行第三列第二個(gè)用到（B通道）的顏色強(qiáng)度
x[0][1][2][2]

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

當(dāng)張量的維度數(shù)較高時(shí)，使用[𝑖][𝑗]. . .[𝑘]的方式書寫不方便，可以采用[𝑖,𝑗, … , 𝑘]的方式索引，它們是等價(jià)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

通過(guò)𝑠𝑡𝑎𝑟𝑡: 𝑒𝑛𝑑: 𝑠𝑡𝑒𝑝切片方式可以方便地提取一段數(shù)據(jù)，其中 start 為開始讀取位置的索引，end 為結(jié)束讀取位置的索引(不包含 end 位)，step 為讀取步長(zhǎng)。

還是以shape為[4, 32, 32, 3]的圖片張量為例。

# 創(chuàng)建張量
x = tf.random.normal([4, 32, 32, 3])
# 讀取第二張和第三張圖片
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切片方式有很多簡(jiǎn)寫方式，其中 start、end、step 3 個(gè)參數(shù)可以根據(jù)需要選擇性地省略，全部省略時(shí)即::，表示從最開始讀取到最末尾，步長(zhǎng)為 1，即不跳過(guò)任何元素。如 x[0,::]表示讀取第 1 張圖片的所有行，其中::表示在行維度上讀取所有行，它等于x[0]的寫法。

即x[0, ::]等價(jià)于x[0 ]。

為了更加簡(jiǎn)潔，：：可以簡(jiǎn)寫成為單個(gè)冒號(hào)。

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],
     ...,

上述表示取所有圖片，隔行采樣，隔列采樣，采集所有通道信息。相當(dāng)于在圖片的高寬各放縮至原來(lái)的一半。

下面是一些常見的切片方式小結(jié)：

特別地，step可以為負(fù)數(shù)。例如：step = −1時(shí)，start: end: −1表示從 start 開始，逆序讀取至 end 結(jié)束(不包含 end)，索引號(hào)𝑒𝑛𝑑 ≤ 𝑠𝑡𝑎𝑟𝑡。

x = tf.range(9)

# 逆序輸出
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])>

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

當(dāng)張量的維度數(shù)量較多時(shí)，不需要采樣的維度一般用單冒號(hào)：表示采樣所有元素。

x = tf.random.normal([4, 32, 32, 3])
# 提取所有圖片的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 ,

為了避免出現(xiàn)像𝑥[: , : , : ,1]這樣出現(xiàn)過(guò)多冒號(hào)的情況，可以使用⋯符號(hào)表示取多個(gè)維度上所有的數(shù)據(jù)，其中維度的數(shù)量需根據(jù)規(guī)則自動(dòng)推斷：當(dāng)切片方式出現(xiàn)⋯符號(hào)時(shí)，⋯符號(hào)左邊的維度將自動(dòng)對(duì)齊到最左邊，⋯符號(hào)右邊的維度將自動(dòng)對(duì)齊到最右邊，此時(shí)系統(tǒng)再自動(dòng)推斷⋯符號(hào)代表的維度數(shù)量。

# 創(chuàng)建四張大小為32*32的彩色圖片
x = tf.random.normal([4, 32, 32, 3])
# 讀取第一張和第二張圖片的G/B通道數(shù)據(jù)
x[0:2,...,1:]
# 讀取最后兩張圖片
x[2,...]
# 讀取所有圖片的R/G通道
x[...,:2]

掌握了張量的索引與切片之后，會(huì)讓我們的書寫更加快捷。

以上就是本文的全部?jī)?nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。

您可能感興趣的文章: