机器学习与深度学习 / 系统课时

执行张量索引与切片

执行张量索引与切片

张量索引的难点不在语法,而在于每次取值后形状是否仍符合后续计算。本课用二维张量完成单点索引、连续切片、步长切片和布尔掩码,并把每一步的输出形状打印出来,确保你能直接判断“取到了什么”和“维度有没有被意外删掉”。

学习目标

  • 使用整数索引、切片和步长从张量中提取连续或间隔区域。
  • 判断整数索引与范围切片对张量秩和形状的影响。
  • 使用 tf.boolean_mask 按条件过滤样本,并区分掩码选择与位置选择。

先用形状判断索引结果

对形状为 (3, 4) 的张量,第一维可以看作 3 行,第二维可以看作每行 4 个元素。整数索引会直接选中某个位置并移除对应轴;范围切片则保留这个轴,因此 x[1] 和 x[1:2] 取到相同一行,却有不同形状。

表达式 结果形状 含义
x[1] (4,) 取第 2 行,并移除行轴
x[1:2] (1, 4) 取第 2 行,但保留行轴
x[:, 1:3] (3, 2) 所有行,只取第 2~3 列
x[::2, ::2] (2, 2) 行列都每隔一个位置取一次

下面的示例把四种结果同时打印出来,适用于 TensorFlow 2.x 的 Eager Execution。

python
import tensorflow as tf

x = tf.constant(
    [
        [10, 11, 12, 13],
        [20, 21, 22, 23],
        [30, 31, 32, 33],
    ],
    dtype=tf.int32,
)

print("row:", x[1].numpy().tolist())
print("scalar:", int(x[1, 2].numpy()))
print("block:", x[:, 1:3].numpy().tolist())
print("stride:", x[0:3:2, ::2].numpy().tolist())

预期输出:

text
row: [20, 21, 22, 23]
scalar: 22
block: [[11, 12], [21, 22], [31, 32]]
stride: [[10, 12], [30, 32]]

只要后续层要求固定秩,就优先检查单整数索引。最常见的错误是本来想保留批次维,却写成 batch[0];如果仍需要批次轴,应写成 batch[0:1]。

用切片范围控制窗口

切片遵循 Python 的 start:stop:step 规则,stop 不包含在结果中。处理图像、序列或批次窗口时,最实用的做法是先写出目标形状,再反推每个轴的范围。例如输入 images 形状为 (32, 224, 224, 3),images[:8, 32:192, 32:192, :] 会得到 (8, 160, 160, 3)。

如果只想截取一个小批次而不改变其余轴,可直接验证动态形状:

python
import tensorflow as tf

images = tf.zeros([32, 224, 224, 3], dtype=tf.float32)
crop = images[:8, 32:192, 32:192, :]

print(crop.shape.as_list())

预期输出:

text
[8, 160, 160, 3]

切片不会复制出“新语义”。如果把高度轴和宽度轴顺序写反,TensorFlow 仍会执行,因此工程里不要只看代码是否报错,还要把 tensor.shape 或 tf.shape(tensor) 纳入验证。

用布尔掩码按条件过滤

当选择规则来自数据本身,而不是固定位置时,使用 tf.boolean_mask 比手工计算索引更直接。下面把第二列大于 0 的样本保留下来,1 维掩码与输入第一维长度一致,因此会按行过滤。

python
import tensorflow as tf

batch = tf.constant(
    [
        [101, 2],
        [102, 0],
        [103, 1],
        [104, 0],
    ],
    dtype=tf.int32,
)

keep = batch[:, 1] > 0
filtered = tf.boolean_mask(batch, keep)

print(keep.numpy().tolist())
print(filtered.numpy().tolist())

预期输出:

text
[True, False, True, False]
[[101, 2], [103, 1]]

tf.boolean_mask 的结果长度取决于 True 的数量,因此过滤后的第一维通常不是固定常数。需要继续送入批处理模型时,要确认后续操作是否允许动态长度;如果必须保持原长度,掩码乘法或 tf.where 往往比删除元素更合适。

离散位置与条件选择不要混用

切片适合连续区间,布尔掩码适合条件过滤;如果要按离散位置选择,例如只取第 3 行和第 1 行,应使用 tf.gather,而不是构造一长串布尔值。这样位置列表可以直接来自排序、采样或 Top-K 结果。

python
import tensorflow as tf

x = tf.constant(
    [
        [10, 11],
        [20, 21],
        [30, 31],
    ],
    dtype=tf.int32,
)

picked = tf.gather(x, [2, 0], axis=0)
print(picked.numpy().tolist())

预期输出:

text
[[30, 31], [10, 11]]

实际项目中可以按一个简单规则选择工具:连续范围用切片,固定单点用整数索引,离散位置列表用 tf.gather,由数据条件产生的筛选规则用 tf.boolean_mask。同时检查值与形状,能避免大多数“结果没报错但维度错了”的问题。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

执行张量索引与切片

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通