TensorFlow张量切片时如何避免维度缩减以保持原有形状结构？

你之前执行的X = X[:, -1, :]触发了张量框架的维度坍缩规则：对张量的某一维度传入整数标量作为索引时，框架会直接移除该维度，因此原本3维的输入张量(None, 128, 16)在时间步维度取标量索引后，从(None, 128, 16)坍缩为2维的(None, 16)，和预期保留3维结构的目标不符。

以下写法均支持当前的动态形状场景，可直接替换原有代码：

• 改用范围索引完成切片，避免触发维度坍缩。将原有代码调整为X = X[:, -1:, :]。核心改动是把时间步维度的标量索引-1替换为范围切片-1:，这种写法本质是取出长度为1的时间步序列，不会移除原维度，输出形状严格符合(None, 1, 16)的要求，是最简洁的实现方式。
• 完成标量切片后显式插入维度。如果已经用X[:, -1, :]完成了元素提取，可以在指定位置新增长度为1的维度补全结构：
  • PyTorch 环境下对应代码为X = X[:, -1, :].unsqueeze(dim=1)
  • TensorFlow/Keras 环境下对应代码为X = tf.expand_dims(X[:, -1, :], axis=1)
    两种写法输出的张量形状同样满足(None, 1, 16)的要求。

不建议手动用reshape类操作硬凑目标形状。动态形状场景下硬写reshape参数容易和实际运行时的张量维度不匹配，上述两种基于原生切片/维度插入的写法，框架会自动跟踪动态尺寸，不会出现形状追踪的报错。

内容的提问来源于stack exchange，提问作者Ariki