在TF 2.0 Beta中，我正在尝试：
x = tf.keras.layers.Input(shape=(240, 2), dtype=tf.float32)
print(x.shape) # (None, 240, 2)
a = x[:, :, 0]
print(a.shape) # <unknown>
在TF 1.x中，我可以这样做：
x = tf1.placeholder(tf1.float32, (None, 240, 2)
a = x[:, :, 0]
，它将正常工作。如何在TF 2.0中实现这一目标？我认为
tf.split(x, 2, axis=2)
可能有效，但是我想使用切片而不是对2（轴2的暗角）进行硬编码。
答案 0 :(得分：0)
区别在于从Input返回的对象代表一个图层，而不是类似于占位符或张量的任何东西。因此，上面tf 2.0代码中的x是一个图层对象，而tf 1.x代码中的x是张量的占位符。
您可以定义切片层以执行操作。可以使用现成的图层，但是对于像这样的简单切片，Lambda图层非常易于阅读，也许最接近您在tf 1.x中进行切片的方式。
类似这样的东西：
input_lyr = tf.keras.layers.Input(shape=(240, 2), dtype=tf.float32)
sliced_lyr = tf.keras.layers.Lambda(lambda x: x[:,:,0])
您可以像这样在您的keras模型中使用它：
model = tf.keras.models.Sequential([
input_lyr,
sliced_lyr,
# ...
# <other layers>
# ...
])
当然，以上是特定于 keras 模型的。相反，如果您有张量而不是keras图层对象，那么切片的工作原理与以前完全相同。像这样：
my_tensor = tf.random.uniform((8,240,2))
sliced = my_tensor[:,:,0]
print(my_tensor.shape)
print(sliced.shape)
输出：
(8, 240, 2)
(8, 240)
符合预期