背景是这样的，
比如我有一个张量data，shape是（batch_size，100，128）
我还有一个张量inc，shape是（batch_size，100）
我现在想根据这个张量地索引来对data重排序。
为什么会有这样地需求呢，是因为比如data是数据，100代表数据步长，128代表数据内units数目（维度），inc代表一个分数，这个分数表明了这100个步长当中每一步的重要性。现在我想要对data重排序一下，取top10，变成（batch_size，10，128），这样有利于后面的Attention。
操作例子见代码：
最主要的思想就是你有一个N维向量，那么就要指定一个N-1维的索引来对其重排序。例子中我们是一个（batch_size，100，128）的数据，
那么如果：
data是（batch_size，A，B，C，100，128）
inc是（batch_size，A，B，C，100，128）呢？
我的想法是先data reshape成（batch_size*A*B*C，100，128）
inc reshape成（batch_size*A*B*C，100）
后面的操作就一样了，先unstack，分别用gather取出相应切片（其实这里就已经做了个排序）
然后再stack回去
import tensorflow as tf
import numpy as np
data = tf.placeholder(tf.int64, [None, 5, 2])
choose = tf.placeholder(tf.int64,[None,5])
sortarg = tf.argsort(choose, direction="DESCENDING")
split_data = tf.unstack(data, num=3, axis=0)
split_choose = tf.unstack(sortarg, num=3, axis=0)
trans_data_list = list()
for i in range(3):
trans_data_list.append(tf.gather(split_data[i], sortarg[i]))
trans_data = tf.stack(trans_data_list, axis=0)
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
feed_dict = {
choose:[[5,4,3,0,1],[2,3,0,4,2],[2,3,5,4,2]],
data:[[[1,2],[3,4],[5,6],[7,8],[9,10]], [[11,12],[13,14],[15,16],[17,18],[19,20]], [[21,22],[23,24],[25,26],[27,28],[29,30]]]
}
print(sess.run(sortarg,feed_dict=feed_dict))
print("-----------------------------------------------------")
# print(sess.run(data_trans,feed_dict = feed_dict))
print(sess.run(data,feed_dict=feed_dict))
print("-----------------------------------------------------")
print(sess.run(trans_data, feed_dict=feed_dict))
原文：https://www.cnblogs.com/zhouxiaosong/p/12203119.html