Shape，expand_dims，slice基本用法

 

import tensorflow as tf
t = tf.constant([[[1, 1, 1], [2, 2, 2]], [[3, 3, 3], [4, 4, 4]], [[5, 5, 5], [6, 6, 6]]])
#(3 2 3)
slicet1 = tf.slice(t, [1, 0, 0], [1, 1, 3])
slicet2 = tf.slice(t, [1, 0, 0], [1, 2, 3])
slicet3 = tf.slice(t, [1, 0, 0], [2, 1, 3])
sess=tf.Session()
print(sess.run((slicet1)))#[[[3 3 3]]]
print(sess.run((slicet2)))#[[[3 3 3]
                          #[4 4 4]]]
print(sess.run((slicet3)))#[[[3 3 3]]
                          #[[5 5 5]]]

Shape:

shape的功能是讀取tensor各維度的長度，以本例中t為例，括號共有3層，即t為3維tensor，下面進行逐層分析。

只看它最外面的括號，可以看成是：

t = [A, B, C]                                 #這是第一維度

然后每一個里面有兩個元素，可以寫成：

A = [i, j]， B = [k, l]， C = [m, n]  #這是第二維度

最后，這i, j, k, l, m, n中又分別有三個元素：

i = [1, 1, 1], j = [2, 2, 2], k = [3, 3 ,3], l = [4, 4, 4], m = [5, 5, 5], n = [6, 6, 6]  # 這是第三維度

所以shape就是中括號 [ ] 的層級里單位的數量。

對於t，最外面括號里有3個元素，分別是A, B, C。這三個元素中每個里面有2個元素, i和j, k和l, m和n。

他們里面每一個又有3個數字。所以t的shape是[3,2,3]。

---

Slice:

在解釋slice之前，首先要注意python的數組index是從0開始的。

之后來看例子：

tf.slice(t, [1, 0, 0], [1, 1, 3])  # begin = [1, 0, 0]

這里根據順序我們知道，begin是[1, 0, 0], size是[1, 1, 3].  他們兩個數組的意義是從左至右，每一個數字代表一個維度。上面說了begin的意思是起始位置，那么[1, 0, 0]的意思是在3個維度中，每個維度從哪里開始算起。

第一維度是[A, B, C]。 begin里[1, 0, 0]是1，也就是從B算起。其次第二維度里B = [k, l]，begin里第二個數是0，也就是從k算起。第三維度k = [3, 3 ,3]，begin里第三個數是0，就是從第一個3算起。

確定這三個起始點之后，再來看size。

size的意思是每個維度的大小，也就是每個維度取幾個元素。size的應該是最后輸出的tensor的shape。

本例中：

t = tf.constant([[[1, 1, 1], [2, 2, 2]], [[3, 3, 3], [4, 4, 4]], [[5, 5, 5], [6, 6, 6]]])

tf.slice(t, [1, 0, 0], [1, 1, 3])  # size = [1, 1, 3]

size里第一個是1，意思是在第一個維度取1個元素。t = [A, B, C] begin是起算是B，取1個那就是B。故第一維度結果就是[B]

size第二個也是1，第二維度B = [k, l]， begin里起算是k，取1個是k。那么第二維度結果是[[k]]。

size第三個是3,第三維度k = [3, 3 ,3]，begin里起算是第一個3。取3個元素，即把三個3都取了，所以是[[[3, 3, 3]]]

---

例2：

t = tf.constant([[[1, 1, 1], [2, 2, 2]], [[3, 3, 3], [4, 4, 4]], [[5, 5, 5], [6, 6, 6]]])

tf.slice(t, [1, 0, 0], [1, 2, 3])

這里begin還是一樣[1, 0 ,0]。 size第一個維度取一個，還是[B]。然后size第二個數不是1了，是2，意為取兩個。因B = [k, l]，所以，是k和l都要取。第三維度取3個，即k = [3, 3 ,3]，l = [4, 4, 4]都要slice走。

總結一下，第一維度取[B]。第二維度里把B換成[k, l],就變成了[[k, l]]. 第三維度里把k換成[3, 3 ,3]，把l 換成 [4, 4, 4]，替換后是最終結果

[[[3, 3, 3], [4, 4, 4]]]

---

例外：

t = tf.constant([[[1, 1, 1], [2, 2, 2]], [[3, 3, 3], [4, 4, 4]], [[5, 5, 5], [6, 6, 6]]])

tf.slice(t, [1, 0, 0], [-1, -1, -1])

對於這種情況，源代碼注釋中有一句話：

If `size[i]` is -1, all remaining elements in dimension i are included in the slice. In other words, this is equivalent to setting: `size[i] = input.dim_size(i) - begin[i]`

也就是說，如果size輸入值是-1的話，在那個維度剩下的數都會slice走。上面的例子中，begin是[1, 0, 0]。三個維度都是-1的話，那么結果: 第一維度是[B,C]；第二維度是[[k, l], [m, n]]; 第三維度是[[[3,3,3], [4,4,4]], [[5,5,5], [6,6,6]]]

expand_dims()

#coding=utf-8
import tensorflow as tf
import numpy as np
t=[[2,3,3],
   [1,5,5]]
t1=tf.expand_dims(t,0)
t2=tf.expand_dims(t,1)
t3=tf.expand_dims(t,2)
t4=tf.expand_dims(t,-1)
print(np.shape(t))         #(2, 3)
                           #np.shape()是讀取各維度的長度
                           #t初始化為二維，第一維度長度為2，第二維度長度為3，即2X3兩行三列的矩陣
print(np.shape(t1))        #(1, 2, 3)在0號位置插入一個維度
print(np.shape(t2))        #(2, 1, 3)在1號位置插入一個維度
print(np.shape(t3))        #(2, 3, 1)在2號位置插入一個維度
print(np.shape(t4))        #(2, 3, 1)在最后一個位置插入一個維度

本例中，原本t為2*3，即長2寬3的二維平面，tf.expand_dims完成升維，即把二維平面擴展為三維空間，即2*3*1，長2寬3高1。

tf.expand_dims(input, dim, name=None)

第1個參數input為輸入張量，第2個參數為新增維度的位置。

比如原來是x*y，現在新增z，t3=tf.expand_dims(t,2)后，現態空間就變成了x*y*z,類似的，第2個參數為0時，現態空間為z*x*y

dim傳的參數值起維度定位作用。

ref:

https://www.tensorflow.org/versions/r1.1/api_docs/python/tf/slice

https://www.quora.com/How-does-tf-slice-work-in-TensorFlow

https://www.jianshu.com/p/71e6ef6c121b