tf.slice(input_, begin, size, name = None)

解釋 ：

• 這個(gè)函數(shù)的作用是從輸入數(shù)據(jù)input中提取出一塊切片
  • 切片的尺寸是size，切片的開始位置是begin。
  • 切片的尺寸size表示輸出tensor的數(shù)據(jù)維度，其中size[i]表示在第i維度上面的元素個(gè)數(shù)。
  • ?

  • 開始位置begin表示切片相對于輸入數(shù)據(jù)input_的每一個(gè)偏移量，比如數(shù)據(jù)input是

    [[[1, 1, 1], [2, 2, 2]],
    [[33, 3, 3], [4, 4, 4]],
    [[5, 5, 5], [6, 6, 6]]]，

• begin為[1, 0, 0]，那么數(shù)據(jù)的開始位置是33。因?yàn)?#xff0c;第一維偏移了1，其余幾位都沒有偏移，所以開始位置是33。
• ?
• 操作滿足：
  size[i] = input.dim_size(i) - begin[i]
  0 <= begin[i] <= begin[i] + size[i] <= Di for i in [0, n]

import tensorflow as tfsess = tf.Session() input = tf.constant([[[1, 1, 1], [2, 2, 2]],[[3, 3, 3], [4, 4, 4]],[[5, 5, 5], [6, 6, 6]]]) data = tf.slice(input, [1, 0, 0], [1, 1, 3]) print(sess.run(data)) """[1,0,0]表示第一維偏移了1 則是從[[[3, 3, 3], [4, 4, 4]],[[5, 5, 5], [6, 6, 6]]]中選取數(shù)據(jù) 然后選取第一維的第一個(gè)，第二維的第一個(gè)數(shù)據(jù)，第三維的三個(gè)數(shù)據(jù)""" # [[[3 3 3]]] data = tf.slice(input, [1, 0, 0], [1, 2, 3]) print(sess.run(data)) # [[[3 3 3] # [4 4 4]]] data = tf.slice(input, [1, 0, 0], [2, 1, 3]) print(sess.run(data)) # [[[3 3 3]] # # [[5 5 5]]] data = tf.slice(input, [1, 0, 0], [2, 2, 2]) print(sess.run(data)) # [[[3 3] # [4 4]] # # [[5 5] # [6 6]]] """輸入?yún)?shù)：● input_: 一個(gè)Tensor?！?begin: 一個(gè)Tensor，數(shù)據(jù)類型是int32或者int64。● size: 一個(gè)Tensor，數(shù)據(jù)類型是int32或者int64?！?name:（可選）為這個(gè)操作取一個(gè)名字。 輸出參數(shù)：● 一個(gè)Tensor，數(shù)據(jù)類型和input_相同。"""

小白的總結(jié)：（我胡亂講的，寫給我自己看的）

1、begin為【0 0 0】時(shí)，表示從頭開始，為【1 0 0 】時(shí)表示從第二行開始取，同理為【2 0 0】時(shí)，表示從第三行開始取。

2、當(dāng)begin為【0 0 0】，size為【1 1 1】時(shí)。表示從頭取個(gè)一行一列一元 的數(shù)組，即結(jié)果為【【【1】】】

3、當(dāng)begin為【1 0 0】，size為【1 2 2】時(shí)，表示從第二行開始，取一個(gè)一行二列二元的數(shù)組，即【【【3 3】，【【4 4】】】

4、當(dāng)begin為【1 0 0】，size為【2 2 3】時(shí)，表示從第二行開始取一個(gè)二行二列的三元數(shù)組，即【【【3 3 3】【4 4 4】】，

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 【【5 5 5 】【6 6 6】】】

?參考：https://www.cnblogs.com/cloud-ken/p/8457077.html

總結(jié)

以上是生活随笔為你收集整理的tf.slice解析的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。