TensorFlow slice方法详解

大家好，我是石璞东。

该方法经常用在对数据的预处理过程中，但是关于slice()方法切割的具体思路，官网的教程实在令人费解，所以在本文中我将对slice()方法做下总结，请看本文。

参考资料

1. TensorFlow.js文档：https://js.tensorflow.org/api/latest/

1. 构造数据

在本小节中我将介绍6种创建不同维度张量的方法，请看示例：

1. tf.tensor(values,shape?,dtype?)
   该方法可以构造出一个给定值、形状和数据类型的张量，请看参数介绍：

values：该参数表示张量的值，可以是nested array of numbers、flat array或TypedArray；
shape：该参数表示张量的形状，为可选参数；
dtype：该参数表示张量的数据类型，为可选参数，其值可以为float32、int32、bool、complex64、string；

接下来，我们看几个简单的案例，请看代码：

• Pass an array of values to create a vector.

tf.tensor([1, 2, 3, 4]).print();

请看结果：

Tensor
    [1, 2, 3, 4]

• Pass a nested array of values to make a matrix or a higher dimensional tensor.

tf.tensor([[1, 2], [3, 4]]).print();

请看结果：

Tensor
    [[1, 2],
     [3, 4]]

• Pass a flat array and specify a shape yourself.

tf.tensor([1, 2, 3, 4], [2, 2]).print();

请看结果：

Tensor
    [[1, 2],
     [3, 4]]

2. tf.scalar(value,dtype?)
   该方法可以构造出给定值和数据类型的0维张量，即一个标量，请看参数介绍：

value：该参数表示标量的值，其值可以是number、boolean、string、Unit8Array；
dtype：该参数表示张量的数据类型，为可选参数，其值可以为float32、int32、bool、complex64、string；

接下来，我们看一个简单的案例，请看代码：

tf.scalar(3.14).print();

请看结果：

Tensor
    3.140000104904175

3. tf.tensor1d(values,dtype?)
   该方法可以构造出给定值、形状和数据类型的1维张量，它同样也可以被tf.tensor()方法实现，但是为了保证程序的可读性，更推荐此写法，请看参数介绍：

values：该参数表示张量的值，其值可以是numbers或TypedArray；
dtype：该参数表示张量的数据类型，为可选参数，其值可以为float32、int32、bool、complex64、string；

接下来，我们看一个简单的案例，请看代码：

tf.tensor1d([1, 2, 3]).print();

请看结果：

Tensor
    [1, 2, 3]

4. tf.tensor2d(values,shape?,dtype?)
   该方法可以构造出给定值、形状和数据类型的2维张量，它同样也可以被tf.tensor()方法实现，但是为了保证程序的可读性，更推荐此写法，请看参数介绍：

values：该参数表示张量的值，可以是nested array of numbers、flat array或TypedArray；
shape：该参数表示张量的形状，为可选参数；
dtype：该参数表示张量的数据类型，为可选参数，其值可以为float32、int32、bool、complex64、string；

接下来，我们看几个简单的案例，请看代码：

// Pass a nested array.
tf.tensor2d([[1, 2], [3, 4]]).print();

请看结果：

Tensor
    [[1, 2],
     [3, 4]]

// Pass a flat array and specify a shape.
tf.tensor2d([1, 2, 3, 4], [2, 2]).print();

请看效果：

Tensor
    [[1, 2],
     [3, 4]]

5. tf.tensor3d(values,shape?,dtype?)
   该方法可以构造出给定值、形状和数据类型的3维张量，它同样也可以被tf.tensor()方法实现，但是为了保证程序的可读性，更推荐此写法，请看参数介绍：

values：该参数表示张量的值，可以是 nested array of numbers、flat array或TypedArray；
shape：该参数表示张量的形状，为可选参数；
dtype：该参数表示张量的数据类型，为可选参数，其值可以为float32、int32、bool、complex64、string；

接下来，我们看几个简单的案例，请看代码：

// Pass a nested array.
tf.tensor3d([[[1], [2]], [[3], [4]]]).print();

请看结果：

Tensor
    [[[1],
      [2]],

     [[3],
      [4]]]

// Pass a flat array and specify a shape.
tf.tensor3d([1, 2, 3, 4], [2, 2, 1]).print();

请看结果：

Tensor
    [[[1],
      [2]],

     [[3],
      [4]]]

2. 切割数据

在第一部分中，我们了解了如何去创建一个张量数据，在本小节中，我们就来介绍一下如何对原张量进行切割，从而取出我们需要的数据，请看方法介绍：
tf.slice(x,begin,size?)

x：被切割的原始张量；
begin：开始切割的位置；
size：切割的大小；

接下来，我们看几个简单的案例，请看代码：

const x = tf.tensor1d([1, 2, 3, 4]);
x.slice([1], [2]).print();

请看结果：

Tensor
    [2, 3]

对于一维张量数据[1,2,3,4]，根据slice方法指定的参数我们可以知道，第一个参数[1]表示切割的初始位置，即从原始张量的第二项（对应数值为2，下标索引为1）开始切割；第二个参数[2]表示切割元素的大小，即从原始张量的第二项开始切割，切割大小为2，即所得切割后的张量为[2,3]。

接下来，我们再来切割一个二维数据，请看代码：

const x = tf.tensor2d([1, 2, 3, 4], [2, 2]);
x.slice([1, 0], [1, 2]).print();

上述代码中，我们创建了一个shape=(2,2)的张量，根据slice()方法指定的参数我们可以知道，begin对应的参数是[1,0]，size对应的参数是[1,2]，我们在参数解释中对begin参数做了解释，其表示切割的初始位置，故[1,0]表示在2个维度中，每个维度从哪里算起，即第一个维度从第一个元素算起（对应元素为[3,4]），第二个维度从第0个元素开始算起（对应元素为3），参数size表示每个维度的大小，也就是在每个维度取几个元素，对于上述案例，即在第一维度取一个元素，即所取元素为[3,4]；第二维度取两个元素，即将[3,4]两个值均切割出来。

3. 其他开源作品

• 微信公众号hahaCoder
• 微信小程序hahaAI
• 个人网站hahaWebsite.
• Google扩展程序 hahaOCR

4. 文章最后

以上就是本文的所有内容，你学会了嘛？如果大家有什么问题，可以在我的公众号后台留言或直接加我微信沟通TURBODONG1002～