Python tensorflow中tensor对象的非连续索引切片（高级索引，如numpy）

我研究了tensorflow中不同的切片方法，即

tf.gather

和

tf.gather\n

。 在tf.gather中，它只在维度上切片，在

tf.gather nd

中，它只接受一个

索引

应用于输入张量

我需要的是不同的，我想用两个不同的张量对输入张量进行切片；一个在行上切片，第二个在列上切片，它们的形状不一定相同

例如：

假设这是我的输入张量，我想从中提取一部分

input_tf = tf.Variable([ [9.968594,  8.655439,  0.,        0.       ],
                         [0.,        8.3356,    0.,        8.8974   ],
                         [0.,        0.,        6.103182,  7.330564 ],
                         [6.609862,  0.,        3.0614321, 0.       ],
                         [9.497023,  0.,        3.8914037, 0.       ],
                         [0.,        8.457685,  8.602337,  0.       ],
                         [0.,        0.,        5.826657,  8.283971 ],
                         [0.,        0.,        0.,        0.       ]])

二是:

 rows_tf = tf.constant (
[[1, 2, 5],
 [1, 2, 5],
 [1, 2, 5],
 [1, 4, 6],
 [1, 4, 6],
 [2, 3, 6],
 [2, 3, 6],
 [2, 4, 7]])

第三张量：

columns_tf = tf.constant(
[[1],
 [2],
 [3],
 [2],
 [3],
 [2],
 [3],
 [2]])

现在，我想使用

rows\u tf

和

columns\u tf

对

input\u tf

进行切片。索引行中的

[1 2 5]

和列中的

[1]

。同样，在

列中使用
[2]
的行
[1 2 5]

或者，
[1 4 6]
带有
[2]

总的来说，
行中的每个索引都将提取部分
输入内容

因此，预期输出为：

[[8.3356,    0.,        8.457685 ],
 [0.,        6.103182,  8.602337 ],
 [8.8974,    7.330564,  0.       ],
 [0.,        3.8914037, 5.826657 ],
 [8.8974,    0.,        8.283971 ],
 [6.103182,  3.0614321, 5.826657 ],
 [7.330564,  0.,        8.283971 ],
 [6.103182,  3.8914037, 0.       ]]

例如，这里第一行
[8.3356,0.，8.457685]
是使用

rows in rows_tf [1,2,5] and column in columns_tf [1](row 1 and column 1, row 2 and column 1 and row 5 and column 1 in the input_tf)

尽管他们使用了
tf.gather
或
tf.gather-nd
和
tf.stack
，但在tensorflow中有几个关于切片的问题，它没有给出我想要的输出

无需提及，在
numpy
中，我们可以通过调用：
input\u tf[rows\u tf，columns\u tf]
轻松实现这一点

我还研究了这个高级索引，它试图模拟numpy中可用的高级索引，但是它仍然不像numpy那样灵活

这是我尝试过的不正确的方法：

tf.gather(tf.transpose(tf.gather(input_tf,rows_tf)),columns_tf)

此代码的尺寸输出为
（8,1,3,8）
，完全不正确

提前谢谢
 思想是首先将稀疏索引（通过连接行索引和列索引）作为列表获取。然后，您可以使用
聚集\u nd
检索值


tf.reset_default_graph（）
输入_tf=tf.变量（[[9.968594,8.655439,0,0.]，
[0.,        8.3356,    0.,        8.8974   ],
[0.,        0.,        6.103182,  7.330564 ],
[6.609862,  0.,        3.0614321, 0.       ],
[9.497023,  0.,        3.8914037, 0.       ],
[0.,        8.457685,  8.602337,  0.       ],
[0.,        0.,        5.826657,  8.283971 ],
[0.,        0.,        0.,        0.       ]])
行_tf=tf.constant(
[[1, 2, 5],
[1, 2, 5],
[1, 2, 5],
[1, 4, 6],
[1, 4, 6],
[2, 3, 6],
[2, 3, 6],
[2, 4, 7]])
列_tf=tf.常数(
[[1],
[2],
[3],
[2],
[3],
[2],
[3],
[2]])
rows\u tf=tf.重塑（rows\u tf，shape=[-1,1]）
列_tf=tf.重塑(
tile（列_-tf，倍数=[1,3]），
形状=[-1，1]）
稀疏_索引=tf.reformate(
concat（[行，列]，轴=-1），
形状=[-1,2]）
v=tf.聚集（输入、稀疏索引）
v=tf.重塑（v，[-1，3]）
使用tf.Session（）作为sess：
sess.run（tf.initialize\u all\u variables（））
#打印'rows\n'，sess.run（rows\u tf）
#打印'columns\n'，sess.run（columns\u tf）
打印sess.run（v）

结果将是：

[[ 8.3355999   0.          8.45768547]
 [ 0.          6.10318184  8.60233688]
 [ 8.8973999   7.33056402  0.        ]
 [ 0.          3.89140368  5.82665682]
 [ 8.8973999   0.          8.28397083]
 [ 6.10318184  3.06143212  5.82665682]
 [ 7.33056402  0.          8.28397083]
 [ 6.10318184  3.89140368  0.        ]]

您应该编辑您的问题，以便所有常量的格式都正确（添加
，
）@DSC您是对的，我现在就做，谢谢您为什么对您提到的“聚集”操作的输出不满意？听起来好像可以。是不是因为它会变平？如果是这样的话，你可以在知道“行”和“列”的尺寸的情况下对其进行整形，一旦你有了
scatter\u idx
，你就应该能够使用
tf.gather\nd（params=input\u tf，index=scatter\u idx）
，然后是
tf.revorme
，以获得你想要的形状。我复制了下面的完整代码作为答案，您可以使用其他线程中任何其他答案的类似方式来获取稀疏索引。我真诚地感谢您的帮助：）np，享受tf的乐趣。：）我这里有一个困惑，听起来像是一个逻辑问题。正是这段代码运行良好，当我在程序中包含这段代码时，它的输出不正确。我找到了问题的根源，但对我来说毫无意义。我想知道你对此是否有任何想法<代码>行_tf
和列_tf
在
tf.constant'中给出，但在我的代码中，它们是其他过程的结果。如果我给它
tf.constant`就像这里一样，它工作得很好，但是一旦我改变了它，而不是
tf.constant
它的输出将是不正确的，就像我上面报告的一样。为什么会这样？您是否正确获取了
行\u tf
，
列\u tf
？您可能希望包含所有代码以进行澄清。请随时在这里更新您的问题，或者开始一个新的线程。我很高兴马上看一看。很高兴知道这一点。