使用切片的种类
- 第一种：使用单个冒号，最全的切片结构：[ start:stop:interval ]
- 第二种：连续使用两个冒号
- 获取带间隔的序列元素
- 或者是实现特定的结果，比如逆序列。
- 多维切片—考虑广播性质
本文要重点提醒的是 多维数组在使用切片的时候，一定要结合广播性质考虑。可以结合深度学习在实际使用时的shape为（B，C，H，W）来思考。
第一种：使用单个冒号，最全的切片结构：[ start:stop:interval ]
In [6]: a=[3,7,4,2,6]
In [7]: a[1:5:2]
Out[7]: [7, 2]
第二种：连续使用两个冒号
获取带间隔的序列元素
除了使用单个冒号得到连续切片外，使用连续两个冒号获取带间隔的序列元素，连续两个冒号后的数字就是间隔长度：
In [1]: a=[3,7,4,2,6]
In [7]: a[::2] # 得到切片间隔为2
Out[7]: [3, 4, 6]
或者是实现特定的结果，比如逆序列。
# 反转数组
slice5 = a[::-1]
以上是常见的针对一维数组的切片方法。
下面是二维数组常见的切片方法：
a = np.array([[1,2,3],
[4,5,6],
[7,8,9],
[11,12,13]])
#a.shape
# >>> (4,3)
print(a[::-1, 2:0:-1])
# >>[[13 12]
# [ 9 8]
# [ 6 5]
# [ 3 2]]
多维切片—考虑广播性质
对于多维切片，在使用的时候要考虑到Python的广播性质。
mask = torch.zeros((128,3, 128,128), dtype=torch.bool)
a = mask[:, :]
print(a.shape)
b = mask[:, 2]
print(b.shape)
c = mask[:]
print(c.shape)
# 根据python的广播机制，这会返回前两个维度的所有元素，并保持剩下的维度不变。
torch.Size([128, 3, 128, 128])
# 根据python的广播机制，这会选取第二个维度索引为2的内容，返回第一个维度的所有元素，并保持剩下的维度不变。
torch.Size([128, 128, 128])
# 根据python的广播机制，这会返回第一个维度的所有元素，并保持剩下的维度不变。
torch.Size([128, 3, 128, 128])
