使用tf.boolean_mask与greater_equal进行张量切片的技术咨询

嘿，你的这段张量切片实现是完全正确的！让我给你拆解下细节，帮你更清楚地理解整个流程~

从你给出的输出结果来看，myArray里符合≥0.5条件的元素是6.93839502、1.26131749、1.39699364、3.36489725，对应的myMask应该是[False, True, True, False, True, True]（你输出里的...应该是排版小失误）。而tf.boolean_mask精准提取了掩码中True位置对应的元素，最终得到的myScores完全符合预期，整个逻辑没有问题。

我给你梳理下这里用到的几个TensorFlow操作的核心逻辑：

• tf.random_normal：你用它生成了形状为[6]的正态分布张量，指定均值mean=1、标准差stddev=4和随机种子seed=1，这能保证每次运行生成的数组完全一致，非常方便调试和复现结果。
• tf.greater_equal：这是元素级的比较操作，会逐个对比myArray的元素和阈值0.5，返回一个和输入形状相同的布尔张量——每个位置为True就表示对应元素满足≥0.5的条件，反之则为False，这一步就是在创建我们需要的过滤掩码。
• tf.boolean_mask：这个函数的核心作用就是根据布尔掩码筛选张量元素。它会遍历掩码张量，把所有对应位置为True的元素从输入张量中提取出来；如果是更高维度的输入，默认会沿着第一个维度筛选，你也可以通过axis参数指定要筛选的维度。

如果你用的是TF2.x，其实不用再写tf.Session()和.eval()了，直接利用 eager execution 模式就能简化代码：

import tensorflow as tf
myArray = tf.random.normal([6], mean=1, stddev=4, seed=1)
myMask = tf.greater_equal(myArray, 0.5)
myScores = tf.boolean_mask(myArray, myMask)
print("myArray = ", myArray.numpy())
print("myMask = ", myMask.numpy())
print("myScores = ", myScores.numpy())

内容的提问来源于stack exchange，提问作者Damien