田海立@CSDN 2020-11-15

与tf.strided_slice比，tf.slice相对更简单些，仅在各维度上切分指定起始点和尺寸的数据，不支持stride选择。本文用图文的方式来解释TensorFlow中slice算子运算的方式。

 

一、slice原型

slice在各维度上切分指定起始点和尺寸的数据。

原型如下：

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

其中：begin/size指定各个维度上的起始与尺寸的vector，长度是rank。

也就是在axis#0上切片[begin[0], begin[0]+size-1]；在axis#1上切片[begin[1], begin[1]+size-1]；...

 

二、slice对数据的处理

 

下面以一个3D Tensor [3, 2, 3]做begin[1, 0, 0], size[1, 2, 3]为例，看slice操作对数据的处理就是：

1. axis#0维上，切片[1, 1]，也就是切片#1；
2. axis#1维上，切片[0, 1]，也就是切片#0，#1；
3. axis#2维上，切片[0, 2]，也就是切片#0，#1，#2；也就是该维上不变。

上述的处理过程，一张图展示就是这样：

 

 

再以上一个3D Tensor [3, 2, 3]做begin[1, 0, 0], size[2, 1, 3]为例，看slice操作对数据的处理就是：

1. axis#0维上，切片[1, 2]，也就是切片#1，#2；
2. axis#1维上，切片[0, 0]，也就是切片#0；
3. axis#2维上，切片[0, 2]，也就是切片#0，#1，#2；也就是该维上不变。

上述的处理过程，一张图展示就是这样：

 

三、slice程序实现

上述过程用程序实现，如下：

定义一个[3, 2, 3]的Tensor：

>>> 
>>> t = tf.range(3*2*3)
>>> t = tf.reshape(t, [3, 2, 3])
>>> t
<tf.Tensor: shape=(3, 2, 3), dtype=int32, numpy=
array([[[ 0,  1,  2],
        [ 3,  4,  5]],

       [[ 6,  7,  8],
        [ 9, 10, 11]],

       [[12, 13, 14],
        [15, 16, 17]]], dtype=int32)>
>>>

执行slice(begin = [1, 0, 0], size = [1, 2, 3]之后：

>>> 
>>> t1 = tf.slice(t, [1, 0, 0], [1, 2, 3])
>>> t1
<tf.Tensor: shape=(1, 2, 3), dtype=int32, numpy=
array([[[ 6,  7,  8],
        [ 9, 10, 11]]], dtype=int32)>
>>>

执行slice(begin = [1, 0, 0], size = [1, 2, 3]之后：

>>> 
>>> t2 = tf.slice(t, [1, 0, 0], [2, 1, 3])
>>> t2
<tf.Tensor: shape=(2, 1, 3), dtype=int32, numpy=
array([[[ 6,  7,  8]],

       [[12, 13, 14]]], dtype=int32)>
>>>

 

总结

本文以图示和程序分析了tf.slices对Tensor的处理，在各个维度上做切片。