crop¶
根据偏移量（offsets）和形状（shape），裁剪输入（x）Tensor。
示例：
* 示例 1（输入为 2-D Tensor）：
输入：
X.shape = [3, 5]
X.data = [[0, 1, 2, 0, 0],
[0, 3, 4, 0, 0],
[0, 0, 0, 0, 0]]
参数：
shape = [2, 2]
offsets = [0, 1]
输出：
Out.shape = [2, 2]
Out.data = [[1, 2],
[3, 4]]
* 示例 2（输入为 3-D Tensor）：
输入：
X.shape = [2, 3, 4]
X.data = [[[0, 1, 2, 3],
[0, 5, 6, 7],
[0, 0, 0, 0]],
[[0, 3, 4, 5],
[0, 6, 7, 8],
[0, 0, 0, 0]]]
参数：
shape = [2, 2, -1]
offsets = [0, 0, 1]
输出：
Out.shape = [2, 2, 3]
Out.data = [[[1, 2, 3],
[5, 6, 7]],
[[3, 4, 5],
[6, 7, 8]]]
参数¶
x (Tensor) - 1-D 到 6-D Tensor，数据类型为 float32、float64、int32 或者 int64。
shape (list|tuple|Tensor，可选) - 输出 Tensor 的形状，数据类型为 int32。如果是列表或元组，则其长度必须与 x 的维度大小相同，如果是 Tensor，则其应该是 1-D Tensor。当它是列表时，每一个元素可以是整数或者形状为[]的 0-D Tensor。含有 Tensor 的方式适用于每次迭代时需要改变输出形状的情况。
offsets (list|tuple|Tensor，可选) - 每个维度上裁剪的偏移量，数据类型为 int32。如果是列表或元组，则其长度必须与 x 的维度大小相同，如果是 Tensor，则其应是 1-D Tensor。当它是列表时，每一个元素可以是整数或者形状为[]的 0-D Tensor。含有 Tensor 的方式适用于每次迭代的偏移量（offset）都可能改变的情况。默认值：None，每个维度的偏移量为 0。
name (str，可选) - 具体用法请参见 Name，一般无需设置，默认值为 None。
返回¶
裁剪后的 Tensor，数据类型与输入（x）相同。
代码示例¶
>>> import paddle
>>> x = paddle.to_tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
>>> # x.shape = [3, 3]
>>> # x = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]
>>> # shape can be a 1-D Tensor or list or tuple.
>>> shape = paddle.to_tensor([2, 2], dtype='int32')
>>> # shape = [2, 2]
>>> # shape = (2, 2)
>>> out = paddle.crop(x, shape)
>>> # out.shape = [2, 2]
>>> # out = [[1,2], [4,5]]
>>> # offsets can be a 1-D Tensor or list or tuple.
>>> offsets = paddle.to_tensor([0, 1], dtype='int32')
>>> # offsets = [1, 0]
>>> # offsets = (1, 1)
>>> out = paddle.crop(x, shape, offsets)
>>> # out.shape = [2, 2]
>>> # if offsets = [0, 0], out = [[1,2], [4,5]]
>>> # if offsets = [0, 1], out = [[2,3], [5,6]]
>>> # if offsets = [1, 0], out = [[4,5], [7,8]]
>>> # if offsets = [1, 1], out = [[5,6], [8,9]]