精读yolov3源码时发现了一个写法，研究了下学到了新的知识点。

PS：这个代码写的真的蛮好的，有很多小细节，学到的东西也多

utils.py源码内容

  1. # iou: torch.tensor(), size(num_of_labels(an image), )
  2. # iou_thres: 一个小数
  3. # t: torch.tensor(), size(num_of_labels(an image), 6)
  5. j = iou > iou_thres
  6. t = t[j]

第一次见到tensor1[tensor2]这种结构，做了些测试

tensor2为torch.uint8时

  1. targets = torch.tensor([ [1,2],[3,4],[5,6],[7,8],[9,10],[11,12],[13,14] ])
  2. j = torch.tensor([0, 1, 0, 0, 1, 0, 1],dtype=torch.uint8)
  3. t = targets[j]
  4. print(t)
  6. '''
  7. 输出：
  8. tensor([[ 3,  4],
  9.         [ 9, 10],
  10.         [13, 14]])
  11. '''
  13. targets = torch.tensor([ [1,2],[3,4],[5,6],[7,8],[9,10],[11,12],[13,14] ])
  14. j = torch.tensor([0, 1, 0, 0, 1, -1, 1],dtype=torch.uint8)
  15. t = targets[j]
  16. print(t)
  18. '''
  19. 输出：
  20. tensor([[ 3,  4],
  21.         [ 9, 10],
  22.         [11, 12],
  23.         [13, 14]])
  24. '''

结论1
当tensor2为uint8类型时，tensor1[tensor2]的结果为tensor2不为0元素位置对应的tensor1元素

tensor2不为torch.uint8时

进一步拓展
当tensor2不为uint8类型时结果会怎么样呢？

  1. targets = torch.tensor([ [1,2],[3,4],[5,6],[7,8],[9,10],[11,12],[13,14] ])
  2. j = torch.tensor([0, 1, 0, 0, 1, 0, 1])
  3. t = targets[j]
  4. print(t)
  5. print(j.dtype)
  7. '''
  8. 输出：
  9. tensor([[1, 2],
  10.         [3, 4],
  11.         [1, 2],
  12.         [1, 2],
  13.         [3, 4],
  14.         [1, 2],
  15.         [3, 4]])
  16. torch.int64
  17. '''

结论2
此时tensor2的元素表示的是位置
torch.tensor不指定type时为int64类型