TF에 유의하십시오. Tensor.getitem은 일반적으로 조각을 수행 하는 더 파이 썬 방법, 그것은 foo를 쓸 수 있습니다[3:7, :-2] tf.slice 대신 tf.slice (foo, [3, 0], [4, foo.get_shape(1]-2]). 나를 위해, 나는 조각 함수를 이해할 수 있도록 또 다른 예를 시도당신은 tf.slice의 크기 매개 변수에 하나의 음수 차원을 지정할 수 있습니다. 음수 차원은 Tensorflow가 다른 차원에 대한 결정을 기반으로 올바른 값을 동적으로 결정하도록 지시합니다. 우리는 또한, 한 번에 높은 순위 텐서의 전체 조각을 삽입 할 수 있습니다. 예를 들어, 새 값의 행렬이 두 개 있는 순위 3 텐서의 첫 번째 차원에 두 개의 슬라이스를 삽입하려는 경우입니다. 예를 들어 각 인덱스[m]가 스칼라 또는 벡터인 경우 위의 예와 같이 A 2D 마스크 텐서가 지정된 dtype으로 캐스팅됩니다. 입력 레이어를 다른 크기의 부분으로 분할하려고합니다. tf.slice를 사용하여 그렇게하려고하지만 작동하지 않습니다. TensorFlow 예제작업을 시작하기 전에 몇 가지 기본 사항에 대해 알아야 합니다. 예제 코드에는 오타가 있습니다: tf.slice -> tf.strided_slice 또한 세 번째 예는 주어진 결과를 생성하지 않습니다: tf.slice (입력, [1, 1, 0], [2, -1, 3], [1, -1, 1]) !=> [[[4, 4, 4], [3, 3, 3]] 예를 들어 foo[3:5,4] 10×8 텐서에 모양 2 텐서를 생성합니다. [3:5,4:5]는 shrink_마스크가 1<<1 == 2인 모양 2×1 텐서를 생성합니다. 입력: tf.slice (t, [1, 0], [1, 1, 3]] 출력: [[3, 3, 3]] 입력: tf.slice (t, [1, 0, 0], [1, 2, 3]] 출력: [[[[3, 3, 3], [4, 4, 4]] 이러한 모든 텐서흐름 예제는 텐서플로우 의 작동 방식을 보여줍니다.

예를 들어 foo[3:5,…,4:5] 모양 10x3x10 텐서의 텐서[3:5,:,,4:5] 및 foo[3:5,…]는 foo[3:5:5::::::::::::]와 같습니다. 분산의 가장 간단한 형식은 인덱스별로 텐서에 개별 요소를 삽입하는 것입니다. 예를 들어 8개의 요소가 있는 랭크 1 텐서에 분산된 요소 4개에 4개의 분산 요소를 삽입한다고 가정해 보겠습니다. 그냥 케이크를 얼음, 문서에 주어진 예는 슬라이스, 하지 strided_slice에 대 한… 대상_출력 =tf.slice=tf.slice (tf.reshape (인코딩, [self.batch_size, -1, self.quantization_channels]), [0, self.receptive_field, 0], [-1, -1, -1]) ph.get_shape(0)에서 그 값을 취하는 자리 표시자를 사용해 봤습니다[0][0][0][0][0][0][0][0][0][0][0][tf][0]와 같이 그 값을 취하는 자리 표시자를 사용해 보았습니다.] ], [num_input, 2]). 하지만 그 중 하나 작동 하지 않았다. 타 타 우 를 신어。 tf.slice (입력_, 시작, 크기, 이름 = 없음) 예 : t = tf.constant ([[[1, 1, 1], [2, 2, 2]] [ [3, 3, 3], [4, 4, 4]] [ [5, 5, 5], [6, 6, 6]]] 이 연산을 복제하여 새 텐서를 만듭니다. 출력 텐서의 i`th 차원에는 input.dims(i) * multiples[i] 요소가 있으며 입력 값은 `i`th 차원을 따라 여러 번 복제됩니다. 예를 들어[2]씩 [b c d]를 바둑판으로 바둑판으로 배열하면 [b c d a b c d]가 생성됩니다.

한 가지 주의해야 할 점은 작업자가 양자화 프로세스 중에 요청된 최소 값과 최대 값을 약간 조정할 수 있으므로 항상 추가 계산을 위한 범위로 출력 포트를 사용해야 한다는 것입니다. 예를 들어 요청된 최소값과 최대값이 같으면 작은 엡실론 값으로 구분되어 잘못 형성된 양자화된 버퍼가 생성되지 않도록 합니다. 그렇지 않으면 모든 양자화된 값이 동일한 float 값에 매핑되는 버퍼로 끝날 수 있으며, 이로 인해 추가 계산을 수행해야 하는 작업에 문제가 발생할 수 있습니다. 이 작업은 단일 요소에 일괄 처리 차원을 추가하려는 경우에 유용합니다. 예를 들어 셰이프[높이, 너비, 채널]의 단일 이미지가 있는 경우 expand_dims(이미지, 0)가 있는 1개의 이미지일괄 처리로 만들어 모양을 [1, 높이, 너비, 채널]으로 만들 수 있습니다. 입력:tf.slice(t, [1, 0], [2, 1, 3]] [[[3, 3, 3]] [ [[3, 3, 3]] [ [5, 5, 5]] 인덱스로 표시되는 위치는 _value값을, 다른 모든 위치는 _value값을 사용합니다.