本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.
田海立@CSDN 2020-11-14
本文用图文的方式来解释该TensorFlow中strided_slice算子运算的方式。
一、strided_slice原型
strided_slice在各个维度上对数据做切片,做切片过程中可以指定stride。
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 )
其中:begin/end/strides指定各个维度上的起始/结束与步长的vector,长度是rank。注意:end是开区间,也即是达不到的。
也就是在axis#0上切片[begin[0], end[0]),stride: strides[0];在axis#1上切片[begin[1], end[1]),stride: strides[1],…
二、strided_slice对数据的处理
以一个3D Tensor [4, 6, 3]做begin[0, 1, 0], end[4, 6, 3], stride[2, 2, 1]为例,看 strided_slice操作对数据的处理 就是:
- axis#0维上,切片[0, 4),stride 2,也就是切片#0,#2;
- axis#1维上,切片[1, 6),stride 2,也就是切片#1,#3,#5;
- axis#2维上,切片[0, 3),stride 1,也就是切片#0,#1,#2;也就是该维上不变。
上述的处理过程,一张图展示就是这样:
三、strided_slice程序实现
上述过程用程序实现,如下:
定义一个[4, 6, 3]的Tensor:
>>> >>> t = tf.range(4*6*3) >>> t = tf.reshape(t, [4, 6, 3]) >>> t <tf.Tensor: shape=(4, 6, 3), dtype=int32, numpy= array([[[ 0, 1, 2], [ 3, 4, 5], [ 6, 7, 8], [ 9, 10, 11], [12, 13, 14], [15, 16, 17]], [[18, 19, 20], [21, 22, 23], [24, 25, 26], [27, 28, 29], [30, 31, 32], [33, 34, 35]], [[36, 37, 38], [39, 40, 41], [42, 43, 44], [45, 46, 47], [48, 49, 50], [51, 52, 53]], [[54, 55, 56], [57, 58, 59], [60, 61, 62], [63, 64, 65], [66, 67, 68], [69, 70, 71]]], dtype=int32)> >>>
执行strided_slice(begin = [0, 1, 0], end = [4, 6, 3], strides = [2, 2, 1])之后:
>>> >>> t = tf.strided_slice(t, begin = [0, 1, 0], end = [4, 6, 3], strides = [2, 2, 1]) >>> t <tf.Tensor: shape=(2, 3, 3), dtype=int32, numpy= array([[[ 3, 4, 5], [ 9, 10, 11], [15, 16, 17]], [[39, 40, 41], [45, 46, 47], [51, 52, 53]]], dtype=int32)> >>>
总结
本文以图示和程序分析了tf.strided_slices对Tensor的处理,在各个维度上做切片。
Be First to Comment