python 张量和数组切片维度的详细说明

基础规则

每一维用形式： start:end:stride 切割，不同维用逗号隔开。其中：

• strart不填默认为0
• stride不填默认为1
• end不填默认为最后一项
• 取该维全部用一个冒号
• 不包括end

特点：这种切片不会改变秩，即不会改变 len(shape) 但是会改变shape的具体数值。

示例：

>>> probs = np.array([[(1.1,1.2,1.3,1.4), (2.1,2.2,2.3,2.4)],[(3.1,3.2,3.3,3.4), (4.1,4.2,4.3,4.4)]])
>>> probs
array([[[1.1, 1.2, 1.3, 1.4],
        [2.1, 2.2, 2.3, 2.4]],

       [[3.1, 3.2, 3.3, 3.4],
        [4.1, 4.2, 4.3, 4.4]]])
>>> probs.shape
(2, 2, 4)

start、stride、end都齐全的时候，切片包括start 不包括end ，如下：

>>> a = probs[:,:,0:4:2]
>>> a
array([[[1.1, 1.3],
        [2.1, 2.3]],

       [[3.1, 3.3],
        [4.1, 4.3]]])
>>> a.shape
(2, 2, 2)

stride缺省的时候默认为1：

>>> b = probs[:,:,0:2]
>>> b
array([[[1.1, 1.2],
        [2.1, 2.2]],

       [[3.1, 3.2],
        [4.1, 4.2]]])
>>> b.shape
(2, 2, 2)

start缺省的时候默认为0
也就是 b = probs[:,:,0:2] 和 c = probs[:,:,:2] 结果是一样的：

>>> c = probs[:,:,:2]
>>> c
array([[[1.1, 1.2],
        [2.1, 2.2]],

       [[3.1, 3.2],
        [4.1, 4.2]]])
>>> c.shape
(2, 2, 2)

但是，c = probs[:,:,:2] 和 d = probs[:,:,::2] 可不一样！后者表示步长为2：

>>> d = probs[:,:,::2]
>>> d
array([[[1.1, 1.3],
        [2.1, 2.3]],

       [[3.1, 3.3],
        [4.1, 4.3]]])
>>> d.shape
(2, 2, 2)

省略冒号，直接填数字的情况

特点：这种情况会改变秩（即 len(shape) ）
切 dim=2 这一维：

>>> e_0 = probs[:,:,0]
>>> e_0
array([[1.1, 2.1],
       [3.1, 4.1]])
>>> e_0.shape
(2, 2)

>>> e_2 = probs[:,:,2]
>>> e_2
array([[1.3, 2.3],
       [3.3, 4.3]])
>>> e_2.shape
(2, 2)

切 dim=1 这一维:

f_0 = probs[:,0,:]
>>> f_0
array([[1.1, 1.2, 1.3, 1.4],
       [3.1, 3.2, 3.3, 3.4]])
>>> f_0.shape
(2, 4)

>>> f_1 = probs[:,1,:]
>>> f_1
array([[2.1, 2.2, 2.3, 2.4],
       [4.1, 4.2, 4.3, 4.4]])
>>> f_1.shape
(2, 4)

切 dim=0 这一维：

>>> g = probs[0,:,:]
>>> g
array([[1.1, 1.2, 1.3, 1.4],
       [2.1, 2.2, 2.3, 2.4]])
>>> g.shape
(2, 4)

切割维度 ≠ 张量或数组维度时

维数不相等时，省略的维数默认全切，即默认 :

示例：
h = probs[:,0] 等于 f = probs[:,0,:]

>>> h = probs[:,0]
>>> h
array([[1.1, 1.2, 1.3, 1.4],
       [3.1, 3.2, 3.3, 3.4]])
>>> h.shape
(2, 4)

i = probs[0] 等于 g = probs[0,:,:]

>>> i = probs[0]
>>> i
array([[1.1, 1.2, 1.3, 1.4],
       [2.1, 2.2, 2.3, 2.4]])
>>> i.shape
(2, 4)