`(pred[:, 2:4] > min_wh).all(1)` 在 YOLO（深度学习）中有什么作用？答案

【问题标题】：What does `(pred[:, 2:4] > min_wh).all(1)` do in YOLO (Deep Learning)?`(pred[:, 2:4] > min_wh).all(1)` 在 YOLO（深度学习）中有什么作用？
【发布时间】：2019-09-09 03:02:48
【问题描述】：

我在pytorch下使用yoloV3。我遇到了这段代码(pred[:, 2:4] > min_wh).all(1)，不知道它的作用。任何人都可以帮忙吗？谢谢！

我担心().all(1) 的使用。我知道.all() 或.any()，但不知道.all(1)。请解释.all(1)，谢谢。

【问题讨论】：

标签： python deep-learning pytorch yolo

【解决方案1】：

根据文档https://pytorch.org/docs/stable/tensors.html#torch.BoolTensor.all

有all(dim)，第一个参数dim。这意味着它与all() 相同，但仅在所选维度上。它主要用于选择宽度和高度都大于min_wh 的预测（行）。

在您的情况下，pred 的形状为 (number_of_predictions, 7) 或

[
[x, y, w, h, object_conf, class_conf, class],
[x, y, w, h, object_conf, class_conf, class],
...
]

pred[:, 2:4] > min_wh 之后的结果会是这样的

[
[True, False],
[True, True],
[False, False],
...
]

我们要选择宽度和高度都大于min_wh的行，因此我们需要使用all(1)。

因为

all() 会给你True 如果所有元素都是True，否则False

all(0) 会给你形状为(2,) 的张量，例如[True, False]。如果第一个列中的所有元素都是True，则第一个元素将为True，否则为False。如果第二个列中的所有元素都是True，则第二个元素将为True，否则为False。

和all(1) 会给你形状为(number_of_predictions,) 的张量，其中每个元素都是True，仅当行中的所有元素都是True。

【讨论】：

我已经编辑了我的问题。我关心的是.all(1)的使用，谢谢。