mindspore.ops.StridedSlice

class mindspore.ops.StridedSlice(begin_mask=0, end_mask=0, ellipsis_mask=0, new_axis_mask=0, shrink_axis_mask=0)[源代码]

对输入Tensor根据步长和索引进行切片提取。

该算子在给定的 input_tensor 中提取大小为 (end-begin)/stride 的片段。从起始位置开始,根据步长和索引进行提取,直到所有维度的都不小于结束位置为止。

给定一个 input_x[m1, m2, …、mn]beginendstrides 是长度为n的向量。

在每个掩码字段中(begin_maskend_maskellipsis_masknew_axis_maskshrink_axis_mask),第i位将对应于第i个m。

对每个特定的mask,内部先将各mask转化为二进制表示, 然后倒序排布后进行计算。比如说对于一个5*6*7的Tensor,mask设置为3, 3转化为二进制表示为ob011, 倒序后为ob110,

则该mask只在第0维和第1维产生作用, 下面各自举例说明。

如果设置了 begin_mask 的第i位,则忽略 begin[i],而使用该维度的最大可能取值范围,`end_mask`实现方式与之类似。

对于5*6*7的Tensor, x[2:,:3,:] 等同于 x[2:5,0:3,0:7]

如果设置了 elipsis_mask 的第i位,则将在其他维度之间插入所需的任意数量的未指定维度。 ellipsis_mask 中只允许一个非零位。

对于5*6*7*8的Tensor, x[2:,…,:6] 等同于 x[2:5,:,:,0:6]x[2:,…] 等同于 x[2:5,:,:,:]

如果设置了 new_axis_mask 的第i位,则忽略 beginendstrides ,并在输出Tensor的指定位置添加新的长度为1的维度。

对于5*6*7的Tensor, x[:2, newaxis, :6] 将产生一个shape为 \((2, 1, 6, 7)\) 的Tensor。

如果设置了 shrink_axis_mask 的第i位,则第i维被收缩掉,并忽略 begin[i]end[i]strides[i] 索引处的值。

对于5*6*7的Tensor, x[:, 5, :] 相当于将 shrink_axis_mask 设置为2, 使得输出shape为:math:(5, 7)

Note

步长可能为负值,这会导致反向切片。 beginendstrides 的shape必须相同。 beginend 是零索引。 strides 的元素必须非零。

参数:

  • begin_mask (int) - 表示切片的起始索引。使用二进制flag对输入Tensor不同维度进行标志,第i位设置为1则begin[i]参数对应的第i维度设置无效,表示该维度的起始索引从0开始。默认值:0。

  • end_mask (int) - 表示切片的结束索引。功能类似begin_mask。使用二进制flag对输入Tensor不同维度进行标志,第i位设置为1则end参数对应的该维度设置无效,表示该维度切分的结束索引到列表最后,即切分到尽可能大的维度。默认值:0。

  • ellipsis_mask (int) - 不为0的维度不需要进行切片操作。为int型掩码。默认值:0。

  • new_axis_mask (int) - 如果第i位出现1,则begin、end、stride对所有维度参数无效,并在第1位上增加一个大小为1的维度。为int型掩码。默认值:0。

  • shrink_axis_mask (int) - 如果第i位设置为1,则意味着第i维度缩小为1。为int型掩码。默认值:0。

输入:

  • input_x (Tensor) - 需要切片处理的输入Tensor。

  • begin (tuple[int]) - 指定开始切片的索引。输入为一个tuple,仅支持常量值。

  • end (tuple[int]) - 指定结束切片的索引。输入为一个tuple,仅支持常量值。

  • strides (tuple[int]) - 指定各维度切片的步长。输入为一个tuple,仅支持常量值。

输出:

Tensor。以下内容介绍了输出。

在第0个维度中,begin为1,end为2,stride为1,因为 \(1+1=2\geq2\) ,且interval为 \([1,2)\) 。因此,在第0个维度中返回具有 \(index = 1\) 的元素,例如[[3, 3, 3],[4, 4, 4]]。

同样在第一个维度中,interval为 \([0,1)\) 。根据第0个维度的返回值,返回具有 \(index = 0\) 的元素,例如[3, 3, 3]。

同样在第二个维度中,interval为 \([0,3)\) 。根据第1个维度的返回值,返回具有 \(index = 0,1,2\) 的元素,例如[3, 3, 3]。

最后,输出为[3, 3, 3]。

异常:

  • TypeError - begin_maskend_maskellipsis_masknew_ax_maskshrink_ax_mask 不是int。

  • TypeError - beginendstrides 不是tuple。

  • ValueError - begin_maskend_maskellipsis_masknew_axis_maskshrink_axis_mask 小于0。

支持平台:

Ascend GPU CPU

样例:

>>> input_x = Tensor([[[1, 1, 1], [2, 2, 2]], [[3, 3, 3], [4, 4, 4]],
...                   [[5, 5, 5], [6, 6, 6]]], mindspore.float32)
>>> #         [[[1. 1. 1.]
>>> #           [2. 2. 2.]]
>>> #
>>> #          [[3. 3. 3.]
>>> #           [4. 4. 4.]]
>>> #
>>> #          [[5. 5. 5.]
>>> #           [6. 6. 6.]]]
>>> # In order to visually view the multi-dimensional array, write the above as follows:
>>> #         [
>>> #             [
>>> #                 [1,1,1]
>>> #                 [2,2,2]
>>> #             ]
>>> #             [
>>> #                 [3,3,3]
>>> #                 [4,4,4]
>>> #             ]
>>> #             [
>>> #                 [5,5,5]
>>> #                 [6,6,6]
>>> #             ]
>>> #         ]
>>> strided_slice = ops.StridedSlice()
>>> output = strided_slice(input_x, (1, 0, 2), (3, 1, 3), (1, 1, 1))
>>> # Take this " output = strided_slice(input_x, (1, 0, 2), (3, 1, 3), (1, 1, 1)) " as an example,
>>> # start = [1, 0, 2] , end = [3, 1, 3], stride = [1, 1, 1], Find a segment of (start, end),
>>> # note that end is an open interval
>>> # To facilitate understanding, this operator can be divided into three steps:
>>> # Step 1: Calculation of the first dimension:
>>> # start = 1, end = 3, stride = 1, So can take 1st, 2nd rows, and then gets the final output at this time.
>>> # output_1th =
>>> # [
>>> #     [
>>> #         [3,3,3]
>>> #         [4,4,4]
>>> #     ]
>>> #     [
>>> #         [5,5,5]
>>> #         [6,6,6]
>>> #     ]
>>> # ]
>>> # Step 2: Calculation of the second dimension
>>> # 2nd dimension, start = 0, end = 1, stride = 1. So only 0th rows can be taken, and the output at this time.
>>> # output_2nd =
>>> # [
>>> #     [
>>> #         [3,3,3]
>>> #     ]
>>> #     [
>>> #         [5,5,5]
>>> #     ]
>>> # ]
>>> # Step 3: Calculation of the third dimension
>>> # 3nd dimension,start = 2, end = 3, stride = 1, So can take 2th cols,
>>> # and you get the final output at this time.
>>> # output_3ed =
>>> # [
>>> #     [
>>> #         [3]
>>> #     ]
>>> #     [
>>> #         [5]
>>> #     ]
>>> # ]
>>> # The final output after finishing is:
>>> print(output)
[[[3.]]
 [[5.]]]
>>> # another example like :
>>> output = strided_slice(input_x, (1, 0, 0), (2, 1, 3), (1, 1, 1))
>>> print(output)
[[[3. 3. 3.]]]