tensorflow 中 tf.strided_slice 函数理解

发表于 | 分类于 | 阅读次数:

我们在工程中可能会利用 tensorflow 中的 strided_slice 函数来对向量进行切片，特别是常用于对多维向量的切片，但是官方说明比较晦涩，但是搞不清楚的话，在使用的时候，就不知道如何确定参数，所以在此先把这个函数搞清楚。它的函数原型如下：

1
2
3
4
5
6
7
8
9
10
11
12
13
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
)

它的四个最主要的参数说明如下：

  • input_：要进行切片处理的输入数据
  • begin：开始进行切片的索引，输入为一个 list，分别对应各个维度的开始切片的索引
  • end：终止切片的索引（开区间），输入为一个 list（长度与begin一样），分别对应各个维度的终止切片的索引
  • strides：各个维度进行切片的步长（长度通常与begin和end一致，毕竟对于每个我们要切片的维度，我们都要负责的指定出开始，结尾和步长嘛）

官方的一个例子为：

1
2
3
4
5
6
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()

输出为 [[[3, 3], [4, 4]]]

对这个例子，来进行展开理解，首先，input 数据是一个三维数据，下面这样看应该能清楚一点，从外向内看，分别对应第一维、第二维和第三维：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
[
  [
    [1, 1, 1],
    [2, 2, 2]
  ],
  [
    [3, 3, 3],
    [4, 4, 4]
  ],
  [
    [5, 5, 5],
    [6, 6, 6]
  ]
]

我们的 tf.strided_slice 中的 begin 参数为 (1, 0, 0)，end 参数为 (2, 2, 2)，stride 参数为 (1, 1, 1)，即我们要对三个维度都进行切分，我们来逐步来对三个维度进行切分。

  1. 对第一维进行切分，索引从 1 到 2，步长为 1，即我们只取第一个维度的索引为 1 的部分，即取三个二维数组中的第二个，即当前的输出为：

    1
    2
    3
    4
    5
    6
    7
    out1 = 
    [
      [
        [3, 3, 3],
        [4, 4, 4]
      ]
    ]

  2. 对第二维进行切分（在第一维切分得到的结果上进行），索引从 0 到 2，步长 为 1，即我们取第二个维度的索引为 0 和 1 的部分，即对二维数组中的两行都取，即当前的输出为：

    1
    2
    3
    4
    5
    6
    7
    out2 = 
    [
      [
        [3, 3, 3],
        [4, 4, 4]
      ]
    ]

  3. 对第三维进行切分（在第二维切分得到的结果上进行），索引从 0 到 2，步长 为 1，即我们取第三个维度的索引为 0 和 1 的部分，即对二维数组中的三列取前两列，即当前的输出为：

    1
    2
    3
    4
    5
    6
    7
    out3 = 
    [
      [
        [3, 3], 
        [4, 4]
      ]
    ]

这就是我们最后的输出。