tensorflow中的索引和切片操作支持两种风格，分别简述和演示如下。

import tensorflow as tf
tf.enable_eager_execution()

基本索引

array[idx][idx][idx]方式的索引，即在方括号中给出张量（多维数组）每一维的索引。

a = tf.ones([1,5,5,3])
a[0]

<tf.Tensor: id=25, shape=(5, 5, 3), dtype=float32, numpy=
array([[[1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]],

       [[1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]],

       [[1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]],

       [[1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]],

       [[1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]]], dtype=float32)>

a[0][0]

<tf.Tensor: id=34, shape=(5, 3), dtype=float32, numpy=
array([[1., 1., 1.],
       [1., 1., 1.],
       [1., 1., 1.],
       [1., 1., 1.],
       [1., 1., 1.]], dtype=float32)>

a[0][0][0]

<tf.Tensor: id=47, shape=(3,), dtype=float32, numpy=array([1., 1., 1.], dtype=float32)>

a[0][0][0][0]

<tf.Tensor: id=64, shape=(), dtype=float32, numpy=1.0>

numpy风格的索引

在一个方括号中列出所有的索引，形如arr[n,m,k]的方式，比基本索引方式简洁直观。

# 模拟创建4张28x28的RGB三通道彩色图片
a = tf.random.normal([4,28,28,3])
# 第0张图片
a[0].shape

TensorShape([Dimension(28), Dimension(28), Dimension(3)])

# 第0张图片第3行
a[0,3].shape

TensorShape([Dimension(28), Dimension(3)])

# 第0张图片第3行第3列的RGB值向量
a[0,3,3].shape

TensorShape([Dimension(3)])

# 第0张图片第3行第3列的RGB中的R的值
a[0,3,3,0].shape

TensorShape([])

切片操作

start:end:step方式的切片操作很方便，在每一个维度上都可以切片，如果省略则表示列出该维度上的全部元素。

b = tf.range(10)
b

<tf.Tensor: id=146, shape=(10,), dtype=int32, numpy=array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9], dtype=int32)>

b[:-1]

<tf.Tensor: id=151, shape=(9,), dtype=int32, numpy=array([0, 1, 2, 3, 4, 5, 6, 7, 8], dtype=int32)>

b[-1:]

<tf.Tensor: id=156, shape=(1,), dtype=int32, numpy=array([9], dtype=int32)>

b[::2]

<tf.Tensor: id=161, shape=(5,), dtype=int32, numpy=array([0, 2, 4, 6, 8], dtype=int32)>

b[::-1]

<tf.Tensor: id=166, shape=(10,), dtype=int32, numpy=array([9, 8, 7, 6, 5, 4, 3, 2, 1, 0], dtype=int32)>

print(a.shape)
print(a[0].shape)
a[0,:,:,:].shape # 在维度上的切片

(4, 28, 28, 3)
(28, 28, 3)

TensorShape([Dimension(28), Dimension(28), Dimension(3)])

a[0,1,:,:].shape

TensorShape([Dimension(28), Dimension(3)])