1、常规索引
直接索引
import tensorflow as tf
a = tf.ones([1, 5, 5, 3])
a[0][0]
Out[5]:
a[0][0][0]
Out[6]:
a[0][0][0][2]
Out[7]:
numpy风格的索引
a = tf.random.normal([4, 28, 28, 3])
a[1].shape
Out[11]: TensorShape([28, 28, 3])
a[1, 2].shape
Out[12]: TensorShape([28, 3])
a[1, 2, 3].shape
Out[13]: TensorShape([3])
在TensorFlow 2.1中，索引与切片是操作多维数组（张量）的重要方式，这对于理解和处理复杂的神经网络模型至关重要。本篇将详细介绍几种常见的索引和切片方法。
常规索引是最基础的访问张量元素的方式。在Python中，可以直接通过方括号`[]`来访问张量的特定位置。例如，`a[0][0]`将获取张量`a`的第一个元素的第一个子元素。对于numpy风格的索引，如`a[1, 2, 3]`，则可以选取张量的多维位置。在示例中，`a[1, 2, 3]`将返回张量的特定元素，其形状为`TensorShape([3])`，表示这是一个一维张量，长度为3。
切片操作允许我们获取张量的一部分。在Python中，可以通过`start:end`来切取一段连续的元素，其中包含`start`而不包含`end`。例如，`a[start:end]`将返回`start`到`end-1`的所有元素。如果想要改变步长（即每隔多少元素取一个），可以使用`start:end:step`。例如，`a[::-1]`将返回张量的反向顺序，而`a[::-2]`则是每隔一个元素取一个，形成一个新的张量。
隔空采样（striding）是另一种切片形式，通过指定步长来选择元素。如`a[:, 0:28:2, 0:28:2, :]`将选取张量在第二个、第三个维度上每隔2个元素取一个，其他维度保持不变。
在TensorFlow中，省略号（`...`）可以用来代替任意数量的维度。这在处理多维张量时非常有用，例如`a[0, ..., 2]`将选取张量`a`的第一个元素，并在所有中间维度上保留不变，而在最后一个维度上选取索引为2的部分。
`tf.gather`函数是TensorFlow提供的用于按指定索引选取张量特定位置元素的方法。`tf.gather`接受两个参数：张量`a`和轴`axis`，以及一个`indices`列表，表示要在哪个轴上选取哪些索引。例如，`tf.gather(a, axis=1, indices=[2, 3, 7, 9, 16])`将在第二个轴上选取指定的索引，返回一个新的张量。
`tf.gather_nd`允许在多维索引空间中选取元素，它接受一个二维数组作为索引参数，返回一个与输入张量具有相同类型的新张量。
`tf.boolean_mask`函数通过一个布尔掩码（boolean mask）来选取张量中的元素。掩码是一个与原始张量形状匹配的布尔张量，其中的`True`值对应于要保留的元素，`False`值对应于要丢弃的元素。
在实际应用中，这些索引和切片技术常用于数据预处理、模型训练以及结果后处理等环节，是TensorFlow编程不可或缺的一部分。掌握这些操作，能够帮助开发者更高效地处理和操作张量，进而提升模型的性能和开发效率。
