tensorflow和numpy在數據處理上語法相似但又不完全一樣，比如在numpy中想取指定維度的多個指定索引所指向的數據時，直接用一個列表保存索引就能直接取，比如：
# b的shape爲[2, 3, 2]
b = np.array([[[1, 2], [2, 3], [3,4]], [[4, 5], [5,6], [6, 7]]])
a = [0, 1, 2]
# 假若要取b的第2個維度（從1算起）的以a爲索引的數據，只需寫成如下形式
b[:, a, :]
但是若b是tensor形式，則上述操作會報錯！
TypeError: Only integers, slices (`:`), ellipsis (`...`), tf.newaxis (`None`) and scalar tf.int32/tf.int64 tensors are valid indices, got array([0， 1, 2])
而在tensor中則需要使用tf.gather方法來實現該功能。
tf.gather可以取指定維度任意索引的數據，舉個例子：
b = np.array([[[1, 2], [2, 3], [3,4]], [[4, 5], [5,6], [6, 7]]])
b = tf.constant(b)
a = [0, 1, 2]
# 寫法如下，效果和上面的numpy的效果相同
tf.gather(b, axis=1, indices=a)
這是tf.gather的用法，而想來大家也都聽過tf.gather_nd，這個功能更加強大，它能對同一個維度的每一組數據分別取不同的索引值，比如取第1行的第二列+第二行的第三列。
關於gather_nd的用法見：tensorflow中tensor，從每行取指定索引元素