我們?cè)诠こ讨锌赡軙?huì)利用 tensorflow 中的 strided_slice 函數(shù)來(lái)對(duì)向量進(jìn)行切片，特別是常用于對(duì)多維向量的切片，但是官方說(shuō)明比較晦澀，但是搞不清楚的話，在使用的時(shí)候，就不知道如何確定參數(shù)，所以在此先把這個(gè)函數(shù)搞清楚。它的函數(shù)原型如下：
tf.strided_slice(
input_,
begin,
end,
strides=None,
begin_mask=0,
end_mask=0,
ellipsis_mask=0,
new_axis_mask=0,
shrink_axis_mask=0,
var=None,
name=None
)
它的四個(gè)最主要的參數(shù)說(shuō)明如下：
- input_：要進(jìn)行切片處理的輸入數(shù)據(jù)
- begin：開(kāi)始進(jìn)行切片的索引，輸入為一個(gè) list，分別對(duì)應(yīng)各個(gè)維度的開(kāi)始切片的索引
- end：終止切片的索引（開(kāi)區(qū)間），輸入為一個(gè) list（長(zhǎng)度與begin一樣），分別對(duì)應(yīng)各個(gè)維度的終止切片的索引
- strides：各個(gè)維度進(jìn)行切片的步長(zhǎng)（長(zhǎng)度通常與begin和end一致，畢竟對(duì)于每個(gè)我們要切片的維度，我們都要負(fù)責(zé)的指定出開(kāi)始，結(jié)尾和步長(zhǎng)嘛）
官方的一個(gè)例子為：
input = tf.constant([[[1, 1, 1], [2, 2, 2]],
[[3, 3, 3], [4, 4, 4]],
[[5, 5, 5], [6, 6, 6]]])
out = tf.strided_slice(input, [1, 0, 0], [2, 2, 2], [1, 1, 1])
sess = tf.InteractiveSession()
out.eval()
輸出為 [[[3, 3], [4, 4]]]
對(duì)這個(gè)例子，來(lái)進(jìn)行展開(kāi)理解，首先，input 數(shù)據(jù)是一個(gè)三維數(shù)據(jù)，下面這樣看應(yīng)該能清楚一點(diǎn)，從外向內(nèi)看，分別對(duì)應(yīng)第一維、第二維和第三維：
[
[
[1, 1, 1],
[2, 2, 2]
],
[
[3, 3, 3],
[4, 4, 4]
],
[
[5, 5, 5],
[6, 6, 6]
]
]
我們的 tf.strided_slice 中的 begin 參數(shù)為 (1, 0, 0)，end 參數(shù)為 (2, 2, 2)，stride 參數(shù)為 (1, 1, 1)，即我們要對(duì)三個(gè)維度都進(jìn)行切分，我們來(lái)逐步來(lái)對(duì)三個(gè)維度進(jìn)行切分。
- 對(duì)第一維進(jìn)行切分，索引從 1 到 2，步長(zhǎng)為 1，即我們只取第一個(gè)維度的索引為 1 的部分，即取三個(gè)二維數(shù)組中的第二個(gè)，即當(dāng)前的輸出為：
out1 = [ [ [3, 3, 3], [4, 4, 4] ] ] - 對(duì)第二維進(jìn)行切分（在第一維切分得到的結(jié)果上進(jìn)行），索引從 0 到 2，步長(zhǎng) 為 1，即我們?nèi)〉诙€(gè)維度的索引為 0 和 1 的部分，即對(duì)二維數(shù)組中的兩行都取，即當(dāng)前的輸出為：
out2 = [ [ [3, 3, 3], [4, 4, 4] ] ] - 對(duì)第三維進(jìn)行切分（在第二維切分得到的結(jié)果上進(jìn)行），索引從 0 到 2，步長(zhǎng) 為 1，即我們?nèi)〉谌齻€(gè)維度的索引為 0 和 1 的部分，即對(duì)二維數(shù)組中的三列取前兩列，即當(dāng)前的輸出為：
out3 = [ [ [3, 3], [4, 4] ] ]
這就是我們最后的輸出。
