python中tf.boolean_mask()函数的使用

  tf.boolean_mask() 函数的作用是通过布尔值对指定的列的元素进行过滤。

• 语法结构

boolean_mask(tensor, mask, name="boolean_mask", axis=None)

其中，tensor：被过滤的元素
   mask：一堆bool值，它的维度不一定等于tensor
   return：mask为true对应的tensor的元素
   当tensor与mask维度一致时，返回一维

• 1-D example
  examples1： >>> import numpy as np
         >>> import tensorflow as tf
         >>> a = [1, 2, 3, 4]
         >>> mask = np.array([True, True, False, False])   # mask 与 a 维度相同
         >>> b = tf.boolean_mask(a, mask)
         >>> with tf.Session() as sess:
             print(sess.run(b))
             print(b.shape)

        [1 2]
        (?,)

• 2-D example
  examples2： >>> import numpy as np
         >>> import tensorflow as tf
         >>> a = [[1, 2], [3, 4], [5, 6]]
         >>> mask = np.array([True, False, True])   # mask 与 a 维度不同
         >>> b = tf.boolean_mask(a, mask)
         >>> with tf.Session() as sess:
             print(sess.run(b))
             print(b.shape)

         [[1 2]
          [5 6]]
         (?, 2)

• 3-D example
  examples3： >>> import numpy as np
         >>> import tensorflow as tf
         >>> a = tf.constant([
                   [[2, 4], [4, 1]],
                   [[6, 8], [2, 1]]], tf.float32)
         >>> mask = a > 2   # mask 与 a 维度相同
         >>> b = tf.boolean_mask(a, mask)
         >>> with tf.Session() as sess:
             print(sess.run(a))
             print(sess.run(mask))
             print(sess.run(b))
             print(b.shape)

          [[[2. 4.]
          [4. 1.]]

           [[6. 8.]
          [2. 1.]]]

          [[[False True]
          [ True False]]

           [[ True True]
          [False False]]]

            [4. 4. 6. 8.]
            (?,)

  上面的shape有如下的规则：
  假设 tensor.rank=4，维度为（m，n，p，q）,则
    (1)当mask.shape=(m，n，p，q)，结果返回（？，），表示所有维度都被过滤
    (2)当mask.shape=(m，n，p)，结果返回（？，q），表示 q 维度没有过滤
    (3)当mask.shape=(m，n)，结果返回（？，p，q），表示 p，q 维度没有过滤
    (4)当mask.shape=(m)，结果返回（？，n，p，q），表示 n，p，q 维度没有过滤

  tensorflow 使用一种叫tensor的数据结构去展示所有的数据，我们可以把tensor看成是n维的array或者list。在tensorflow的各部分图形间流动传递的只能是tensor。
  tensorflow用3种方式描述一个tensor的维数：rank、shape、dimension number (维数)，所以shape和rank的意思的一样的，只是表达的形式不同。

rank	shape	dimension
0	[ ]	0 维
1	[ D0 ]	1 维
2	[ D0, D1 ]	2 维
n	[ D0, D1, …, Dn-1 ]	n 维