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：

1. axis#0维上，切片[0, 4)，stride 2，也就是切片#0，#2；
2. axis#1维上，切片[1, 6)，stride 2，也就是切片#1，#3，#5；
3. 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。