深度学习_04_2_TensorFlow2基础_索引与切片&维度变换

04_2_TensorFlow2基础_索引与切片&维度变换

索引与切片

Indexing

最基本的索引方式是给出每一个维度的index。

还有Numpy的索引风格是，[idx,idx, …]，后面还有: 或 :: 或 …的方式

Basic indexing

最简单的索引方式，给定每一个维度的索引。

取[0] [0]，那么它的shape是[5,3]，每个元素的数值是1

要取更深层次的维度，[0] [0] [0]，取上面的第0行，那么返回1维的向量。

如果再深入，返回的是标准的scalar（标量）

Numpy-style indexing

以下的数字均为下标

第二个为对第1张照片的shape：[28,28,3]

第三个为取第1张照片的第3行：[28,3]

第四个为第1张照片的第2行第3列的RGB具体数值：[3]

第五个为取xxx的第2通道，也就是RGB的B通道，是一个标量,0~255或归一化后的数值：[]

start:end

如果要读取数据的一部分，同时还支持倒着计数。

第1个的下标为0，最后1个的下标为-1。

A:B，相当于[A,B)

A:_和_:B，相当于取数从头或直到末尾（包含）

一些容易忘记的例子：

• a[-4:] 倒数第4个到最后一个
• a[:-4] 从-1开始到-4的元素(不包括)

例子如下图所示：

Indexing by : (冒号使用例子)

第五个为取所有行和列的R通道：[4,28,28]省略了最后面的1 ( [4,28,28,1] )

第六个为取B通道

第七个为取所有照片的所有的列的所有的通道

Indexing by ::

• start​ : end : ​step
• ::step

::-1 倒序

…

省略号可以代表任意长度的冒号

Selective Indexing

• tf.gather

  取你任意想要的行和顺序

• tf.gather_nd

• tf.boolean_mask

tf.gather

例子：data: [class, students, subjects]，[4,35,8]

4个班级，35个学生，8个课程

tf.gather(a,axis=0,indices=[2,3,0]).shape

axis为第几个维度，indices为取哪些行

如果我们想要同时取特定同学的特定科目，进行两次函数即可

tf.gather_nd

为了获得不同班级的不同同学的成绩，也就是不连续的数据。

只取最内侧作为联合索引的坐标，作为整体。

外面套括号，会让其中合并或者再合并。

推荐，不推荐直接[0]

tf.boolean_mask

tf.boolean_mask(a,mask=[True,True,False,False],axis=0)

例子为[4,28,28,3]

下图为对第0个维度取第0和1下标行

axis为第几个维度，默认为0

tf.boolean_mask(a,mask=[[True,False,False],[False,True,True]])

下图表示 第0维度的第1维度为True，所以取第3维度的[4]，等等。

最后取到三个[4]，外面的[]将它们合并起来变成[3,4]

维度变换

Outline

• shape, ndim

举例：[b,28,28,1]，每个都是axis（轴）。

[batch, height(row), width(column), channel]

它是一个4维的Tensor，它们的长度分别是b,28,28,28,1

View

一个content可以有多种理解方式(view)

只是增加或减少概念，1.对原来的数据没有改变，2.把原来的数据全部利用完

比如

view1 [b,28,28]（保留行和列概念）

view2 [[b,28*28]（缺失空间维度概念，只考虑RGB）

view3 [b,2,14*28]（把图片分成上下部分，没有改变图片的数据）

view4 [b,28,28,1]（多了一个channel的概念，还是没有改变content）

Reshape

我们可以对一个数据做等价变换，它不改变数据的内容，只是改变理解方式。

第三部分 可以理解为[b, pixel, c]

第四部分是第三部分的简略写法

第五部分的含义是data point

第六部分是第五部分的简略写法

Reshape is flexible

reshape提供了很多种可能性，但是我们需要选择有物理意义的操作

Reshape could lead to potential bugs

如果[4,784,3]要恢复成[4,28,28,3]，需要提供额外的信息（原来content的信息，h维度在前，w维度在后（行优先）；h维度是28，w维度是28）（明白物理含义）

w维度和h维度顺序弄反了也会导致错误

tf.transpose

转置，[h,w]->[w,h]

如果要改变content的顺序（倒置，旋转一个角度）：

[b,h,w,c]->[b,w,h,c]

改变了数据本身

tf.transpose(a) #全部转置

tf.transpose(a,perm=[0,1,3,2]) #表示该位置放原来哪个轴度

第四个才成功->[b,3,h,w]

(Tensorflow->pytorch的数据格式)

增加一个维度和减少一个维度，不改变内容

Squeeze(挤压，减少) VS Expand_dims(展开)

Expand dim

增加学校的维度，让两个[1,4,35,8]变成[2,4,35,8]

tf.expand_dims(a,axis=0)

axis

• 如果给的轴是正数，在轴的前面增加，空白则直接增加
• 如果给的轴使负数，在轴的后面增加，空白则直接增加

Squeeze dim(减少维度)

只减少当前shape等于1的维度

1个学校，1个门课

tf.squeeze(a,axis=0)