我的Keras功能模型的输出层是维度x的张量(None, 1344, 2)。我希望从n < 1344的第二维中提取x个条目，并创建一个大小为y的新张量(None, n, 2)。
通过简单地访问n来提取x[:, :n,:]个连续条目似乎很简单，但如果n索引是非连续的，那么（看似很难）。在Keras有这么干净的方式吗？
到目前为止，这是我的方法。
实验1 （切片张量，连续索引，有效）：
print('My tensor shape is', K.int_shape(x)) #my tensor
(None, 1344, 2) # as printed in my code
print('Slicing first 5 entries, shape is', K.int_shape(x[:, :5, :]))
(None, 5, 2) # as printed in my code, works!
实验2 （在任意索引处索引张量，失败）
print('My tensor shape is', K.int_shape(x)) #my tensor
(None, 1344, 2) # as printed in my code
foo = np.array([1,2,4,5,8])
print('arbitrary indexing, shape is', K.int_shape(x[:,foo,:]))
Keras返回以下错误：
ValueError: Shapes must be equal rank, but are 1 and 0
From merging shape 1 with other shapes. for 'strided_slice_17/stack_1' (op:
'Pack') with input shapes: [], [5], [].
实验3 （张量流后端功能）
我也试过K.backend.gather，但它的用法不清楚，因为1）Keras文档声明索引应该是整数的张量，如果我的目标是在numpy.where中提取条目，则没有Keras等价于x {1}}满足某个条件且2）K.backend.gather似乎从axis = 0中提取条目，而我想从x的第二维中提取。
答案 0 :(得分：1)
您正在寻找将根据索引数组进行索引的tf.gather_nd：
# From documentation
indices = [[0, 0], [1, 1]]
params = [['a', 'b'], ['c', 'd']]
output = ['a', 'd']
要在Keras模型中使用它，请确保将其包裹在Lambda之类的图层中。