tf.boolean_mask

tf.boolean_mask 的作用是 通过布尔值 过滤元素

def boolean_mask(tensor, mask, name="boolean_mask", axis=None):
  """Apply boolean mask to tensor.

tensor：被过滤的元素

mask：一堆 bool 值，它的维度不一定等于 tensor

return： mask 为 true 对应的 tensor 的元素

当 tensor 与 mask 维度一致时，return 一维

先看个 一维 例子

# 1-D example
tensor = [0, 1, 2, 3]
mask = np.array([True, False, True, False])
out = tf.boolean_mask(tensor, mask)
print(sess.run(out))   # [0, 2]
print(out.shape)        # (?,)

再看看 mask 与 tensor 维度不同的例子

tensor = [[1, 2], [3, 4], [5, 6]]
mask = np.array([True, False, True])        # mask 与 tensor 维度不同
out2 = tf.boolean_mask(tensor, mask)
print(sess.run(out2))       # [[1, 2], [5, 6]]
print(out2.shape)           # (?, 2)

mask 可以用一个函数代替

# 3-D
tensor = tf.constant([
                [[2,4],[4,1]],
                [[6,8],[2,1]]],tf.float32)
mask = tensor > 2        # 滤波器  mask 与 tensor 相同维度
out3 = tf.boolean_mask(tensor, mask)
print(sess.run(tensor))
print(sess.run(mask))       # [[[False  True] [ True False]]
                            # [[ True  True] [False False]]]
print(sess.run(out3))        # [4. 4. 6. 8.]     输出一维
print(out3.shape)            # (?,)

shape

上面的 shape 是怎么回事呢？有如下规则

假设 tensor.rank=4（m,n,p,q）,则

(1)当mask.shape=(m,n,p,q)，结果返回（？，）

(2)当mask.shape=(m,n,p)，结果返回（？，q），表示 q 维度没有过滤

(3)当mask.shape=(m,n)，结果返回（？，p，q）

(4)当mask.shape=(m)，结果返回（？，n，p，q）

参考资料：

https://blog.csdn.net/qq_29444571/article/details/84574526

https://www.w3cschool.cn/doc_tensorflow_python/tensorflow_python-tf-boolean_mask.html