在网上看到了很多关于slice()讲解的同学肯定或多或少遇到过百看不懂的窘况，那下面我就来给大家用最简洁的白话讲解slice()的具体用法。
首先，我们还是使用最常见的代码例子来进行讲解
import tensorflow as tf
#下面两行是为了抛掉错误信息的提示，大家忽略即可
import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'
t = tf.constant([[[1, 1, 1], [2, 2, 2]],
[[3, 3, 3], [4, 4, 4]],
[[5, 5, 5], [6, 6, 6]]])
sess = tf.Session()
data = tf.slice(t, [1, 0, 0], [1, 1, 3])
print(sess.run(data))
data = tf.slice(t, [1, 0, 0], [2, 2, 3])
print(sess.run(data))
data = tf.slice(t, [1, 0, 0], [2, 1, 3])
print(sess.run(data))想要完全理解slice()的操作内容，我们需要先了解shape()的概念。在我本人找资料的过程中找到了一篇很好的讲解shape的资料，在这里我贴一下地址。大家看过shape()的概念后再回来就可以啦~ （PS：那篇里的slice()大家就不用看了，对初学者来说写的不算太清楚）
shape()讲解推荐地址：https://www.jianshu.com/p/71e6ef6c121b
看完之后，大家清楚啦shape(）的具体含义吧~ 概括而言就是从最外层到最里层，一对一对的拆中括号，每拆一次，看逗号分出来了几项，那么对应的shape就是几~ 很好理解吧。
好啦 那么到了我们今天要讨论的重点，就是slice()。
我们首先以代码中的这一句为例分析: data = tf.slice ( t , [1, 0, 0] , [1, 1, 3] )
通过print(sess.run(data)) 打印这句话的结果为：[[[3 3 3]]] 大家是否明白结果是为什么呢（当然不懂了，懂了我讲啥2333
我们首先来看，slice()函数的定义: tf.slice( input, begin, size, name)
不难对应上面的调用看出，input便是代码开始定义的 t , 一般情况下应用我们忽略第四个参数name。 在此基础上，我们需要掌握的参数其实只有前三个，再排除第一个参数是传值进入，我们下面结合具体例子讲解begin和size的意义和应用。
这里的begin 为【1，0，0】，其实意思就是我们要设置slice切片操作的起始位置。这里的三个数字分别对应 t 的三个shape值。尤其要注意的是下标从0开始，所以1实际上代表的是第二层。这里要是没懂的话就看我下面这段哦~
上面让大家看了shape的定义，那么我们总数据 t 的shape不难得到为[3, 2, 3]。(如果这里不知道是为什么，那么先去简单看下shape哦，很容易懂的).
那么begin的【1，0，0】中的1其实对应的就是【3，2，3】中的第一个3，与此同时由于下标是从0开始，这里1的具体含义是从shape值为3的这层（第一次拆括号后的这层，一共有三项）的第二项。（同理，如果这里是0，则是第一项）。因此1代表的含义具体为：[[[3, 3, 3], [4, 4, 4]]]
begin中的第一个0代表的意思我们进行类推，就是再展开一层，对应shape中的第二个值：2。 下标为0，所以具体的内容为：[[[3, 3, 3]]]。
那么我们合理推演，第三个0代表的就是shape的第三层中的第一个内容（下标0），也就是3
我们到现在为止就推完了begin的含义。 下面给大家讲解size的具体含义
在这里，我们的size是【1，1，3】。具体的含义由我为大家道来
第一个1的含义是以begin作为初始位置，取最外层shape(也就是对应shape[3,2,3]中第一个3的那一层)的1项。在这里就是[[[3,3,3],[4,4,4]]]这一项。
第二个1的含义就是对shape=2对应的层中取第一项。在这里shape=2的层为：[[[3,3,3],[4,4,4]]] ，取第一项的结果为：[[[3,3,3]]]
第三个数字3的含义就是对在下面一层shape取前三项。 也就是对[[[3,3,3]]]取前三项，就是他本身。
所以最后输出结果为[[[3,3,3]]]。
所以，无论是begin还是size他们的对应位置数字其实都对应着shape对应层的操作。只要分清楚shape每层的内容，再结合我的分析过程，问题迎刃而解啦~~ slice()的讲解要是还有不明白的欢迎留言哦