3、索引和切片

---

1、基本索引

　索引查找方式单一

a = tf.ones([1,5,5,3])
print(a[0][0])
print(a[0][0][0])
print(a[0][0][0][2])

输出：

tf.Tensor(
[[1. 1. 1.]
 [1. 1. 1.]
 [1. 1. 1.]
 [1. 1. 1.]
 [1. 1. 1.]], shape=(5, 3), dtype=float32)

tf.Tensor([1. 1. 1.], shape=(3,), dtype=float32)

tf.Tensor(1.0, shape=(), dtype=float32)

2、numpy型索引

　将所有的索引写在一个列表中，而不是写多个中括号，且可读性也比较强

a = tf.random.normal([4,28,28,3])
print(a[1].shape)  #(28, 28, 3) 打印第1张图片的所有行，所有列，所有通道
print(a[1,2].shape) # (28, 3) 打印第1张照片的第2行的所有列，所有通道
print(a[1,2,3].shape) #(3,) 打印第1张照片的第2行的第2列的所有通道
print(a[1,2,3,2].shape) # () 打印第1张照片的第2行的第2列的第2通道

3、start：end，指定开始和结束，不包含end

　类似python中切片

a = tf.range(10)
print(a)  # tf.Tensor([0 1 2 3 4 5 6 7 8 9], shape=(10,), dtype=int32)
print(a[-1:]) # tf.Tensor([9], shape=(1,), dtype=int32)
print(a[:2]) # tf.Tensor([0 1], shape=(2,), dtype=int32)

4、start：end：step

 ①一个分号 ：，相当于步长为1进行采样，只能连续取

#一个分号
a = tf.random.normal([4,28,28,3])
print(a.shape) #(4, 28, 28, 3)
print(a[0].shape) #取第0张图片 (28, 28, 3)
print(a[0,:,:,:].shape) #取第0张图片的所有行所有列所有通道 (28, 28, 3)
print(a[:,0,:,:].shape) #取所有图片的第0行的所有列的所有通道 (4, 28, 3)

②两个分号 ：：可以实现跳着取（可以通过逗号，进行维数划分）

#两个分号
a = tf.random.normal([4,28,28,3])
print(a.shape) #(4, 28, 28, 3)
print(a[0:2,:,:,:]) #第0，1张图片的所有行所有列所有通道
print(a[:,0:28:2,0:28:2,:]) #所有图片的第0，2，4....行，第0，2，4...列的所有通道

③逆序采样，a[end : start : step]

#逆序采样
a = tf.range(10)
print(a) #tf.Tensor([0 1 2 3 4 5 6 7 8 9], shape=(10,), dtype=int32)
print(a[::-1])  # 从开头到结尾逆序 tf.Tensor([9 8 7 6 5 4 3 2 1 0], shape=(10,), dtype=int32)
print(a[::-2])  # tf.Tensor([9 7 5 3 1], shape=(5,), dtype=int32)
print(a[2::-2]) # tf.Tensor([2 0], shape=(2,), dtype=int32) 说明这种方式是从第end（即2）位开始到开头

③省略号采样，只要在逻辑上能推断出省略号代表的冒号的数量，就是可行的

#省略号采样
a = tf.random.normal([2,4,28,28,3])
print(a[0].shape)   #(4, 28, 28, 3)
print(a[0,:,:,:,:].shape) #(4, 28, 28, 3)
print(a[0,...].shape)  #(4, 28, 28, 3)
print(a[...,0].shape) #(2, 4, 28, 28)

5、选择性索引

　　前面的切片是基于start：end：step模式实现的，它在整体上来说，是基于步长的有规律性的一种采样方式，而选择性采样具有随意性，由程序员自己确定，如在tensor[4，28，28，3]上，要想取行维度上的样，只需要给出确定的索引号即可，如[2，3，9，22，6，27，15]这些行

（1）tf.gather

　假设有数据data：[classes，students，subjects] ，[4，35，8]即4个班级，每个班级35个人，每个人8门课成绩

#收集tf.gather
a = tf.random.normal([4,25,8])
print(a.shape) #(4, 25, 8)

b = tf.gather(a, axis=0, indices=[2,3]) #收集第2，3个班级所有学生所有科目成绩
print(b.shape) #(2, 25, 8)

（2）tf.gather_nd

 假设不是希望取3名学生8门功课的成绩（只有一个维度），而是希望取第二个学生的第0门课的成绩，第三个学生的第四们课的成绩等

 1 #收集tf.gather_nd
a = tf.random.normal([4,35,8])
print(a.shape) #(4, 25, 8)

b = tf.gather_nd(a,[0]) #第0个班级的所有学生的所有成绩
print(b.shape) #(35, 8)

b = tf.gather_nd(a,[0,1])  #第0个班级的第1个学生的所有成绩
print(b.shape) # (8,)

b = tf.gather_nd(a,[0,1,2])  #第0个班级的第1个学生的第2门成绩
print(b.shape) # ()成绩标量

14 #多个查询，将内层括号看作是一个整体用来进行索引，然后外层括号组成相应的数组
b = tf.gather_nd(a,[[0,0],[1,1],[2,2]]).shape #第0个班级第0个学生的所有成绩，第1个班级第1个学生的所有成绩，第2个班级第个学生的所有成绩，二维数组
print(b) # (3, 8)

b = tf.gather_nd(a,[[0,0,0],[1,1,1],[2,2,2]]).shape #返回三个成绩，组成长度为3的向量[成绩a，成绩b，成绩c].shape为(3)
print(b) # (3,)

b = tf.gather_nd(a,[[[0,0,0],[1,1,1],[2,2,2]]]).shape #返回三个成绩，[[成绩a，成绩b，成绩c]]，shape为（1，3）
print(b) # （1，3）

（3）tf.boolean_mask

# tf.boolean_mask
a = tf.convert_to_tensor(np.ones([4,28,28,3]))
print(a.shape) #(4, 28, 28, 3)

#mask的个数要与相应的axis中维数相同
a = tf.boolean_mask(a, mask=[True,True,False,False]) #axis默认是0，取第0维的属性，即张数，取第0，1张图片
print(a.shape) #(2, 28, 28, 3)

a = tf.boolean_mask(a, mask=[True,True,False],axis=3)  #取第三维的通道，即第一个和第二个通道是真Ture，则取样
print(a.shape) #(2, 28, 28, 2)