---
title: 获取Tensor部分数据
description: "通过Tensor数组下标，获得Tensor内部分数据，形成新的Tensor。"
url: https://www.hiascend.com/document/detail/zh/CANNCommunityEdition/latest/others/tbeaicpudevg/atlastikapi_07_0016.html
sourcePath: /source/zh/CANNCommunityEdition/920beta1/others/tbeaicpudevg/atlastikapi_07_0016.html
indexId: 0ac43ecd8ec193c28e1782948bead2e8b7af7fd6a18e37332dbda768e9f6a3f985
---
# 获取Tensor部分数据

#### 功能说明

通过Tensor数组下标，获得Tensor内部分数据，形成新的Tensor。


#### 函数原型

__getitem__(index_in)


#### 参数说明


**表1 参数说明**

| 参数名称 | 输入/输出 | 含义 |
| --- | --- | --- |
| index\_in | 输入 | Tensor下标，包括如下类型： 立即数（int）、Scalar（int、uint）、Expr（int、uint）类型。例如：dataA\_UB[100]。 Slice类型。切片的start、stop可以为立即数、Scalar、Expr类型，切片的step当前只能取立即数1。例如：dataA\_UB[100:]、dataA\_UB[100:200:1]。 Tuple类型。多维表示，维度和Tensor维度一致，每一维可以是立即数、Scalar、Expr、Slice类型，维度和维度间以逗号隔开。例如dataA\_UB[0,0,0:100]。 |


#### 支持的型号

Atlas 训练系列产品

Atlas 推理系列产品 AI Core

Atlas 推理系列产品 Vector Core

Atlas A2 训练系列产品 / Atlas A2 推理系列产品

Atlas A3 训练系列产品 / Atlas A3 推理系列产品

Atlas 200I/500 A2 推理产品


#### 注意事项

- index_in为立即数、Scalar、Expr、Slice类型时，若原Tensor是多维的，先将其reshape成一维，返回的Tensor为一维。
- dataA_UB[100]与dataA_UB[100:101:1]含义相同。
- 立即数类型的index_in要在[-dim, dim)之间，负数下标表示取倒数第abs(index_in)个元素，dim为Tensor元素个数。
- Scalar、Expr类型的index_in要在[0, dim)之间，dim为Tensor元素个数。
- Slice类型的index_in：当start、stop为立即数时要在[-dim, dim)之间，当start、stop为Scalar、Expr时要在[0, dim)之间，
  dim为Tensor元素个数，并且要求stop指向的元素在start指向的元素之后。


- Tuple类型的index_in：index_in的每一维按照其所属的立即数、Scalar、Expr或Slice类型进行约束，所不同的是此时
  dim为Tensor在该维度上的元素个数。


- 用户在进行slice操作时，不同scope对齐要求不同，slice的start根据不同scope需要满足如下的要求：

  - UB：32Byte对齐
  - GM：无对齐要求

- 当Tensor的shape中包含变量时，若先改变该变量的值，再对Tensor进行切片，可能会导致切片得到的新Tensor所需的空间大于max_mem_size而报错。例如data_A的shape为[i]=[64]， max_mem_size为128。data_B由data_A切片而来，两者的内存指向同一块，但data_B的shape变成了[i]=[128]，所需的空间超出了max_mem_size，因而debug会报错“The space required exceeds max_mem_size”

```
from tbe import tik
tik_instance = tik.Tik()
i = tik_instance.Scalar(dtype="int32", name="i",init_value=64)
data_A = tik_instance.Tensor("int16", (i, ), name="data_A", scope=tik.scope_gm, max_mem_size=128)
i.set_as(128)
data_B = data_A[:]
```


#### 返回值

新的Tensor。


#### 调用示例

```
from tbe import tik
tik_instance = tik.Tik()
A = tik_instance.Tensor("int64", (2, 4), name="A", scope=tik.scope_gm)
tik_instance.tikdb.debug_print("A")
data_1 = A[0]
tik_instance.tikdb.debug_print("data_1")
data_2 = A[0:]
tik_instance.tikdb.debug_print("data_2")
data_3 = A[0, 1]
tik_instance.tikdb.debug_print("data_3")
data_4 = A[0:, 1]
tik_instance.tikdb.debug_print("data_4")
# data_5 = A[0][1]
# tik_instance.tikdb.debug_print("data_5")
data_6 = A[0:][1]
tik_instance.tikdb.debug_print("data_6")
tik_instance.BuildCCE(kernel_name="getitem_sample", inputs=[A], outputs=[])
# 输入A的数据为:
[[0, 1, 2, 3], [4, 5, 6, 7]]
# A的打印结果为:
[[0, 1, 2, 3], [4, 5, 6, 7]]
# data_1表示A展平后的第0个元素，打印结果为:
[0]
# data_2表示A展平后从0开始的元素，打印结果为:
[0, 1, 2, 3, 4, 5, 6, 7]
# data_3表示A的第0行第1列元素，打印结果为:
[[1]]
# data_4表示A的第1列元素，打印结果为:
[[1], [5]]
# data_5表示A[0]的第1个元素，由于A[0]只有一个元素，因此会报错。
# data_6表示A[0：]的第1个元素，打印结果为:
[1]
```