中山建网站最好的公司中信建设有限责任公司项目人员配置

torch.where() 是 PyTorch 中非常常用的一个函数，功能类似于 NumPy 的 where，用于条件筛选或三元选择操作。在深度学习训练、掩码操作、损失函数处理等场景中非常常见。

---

一、基本语法

torch.where(condition, x, y)

• condition：一个布尔张量（torch.bool 类型），和 x、y 的 shape 必须可广播。
• x：满足条件时取的值。
• y：不满足条件时取的值。

---

二、功能说明

• 如果只传入一个参数 condition，torch.where(condition) 将返回 非零元素的坐标（类似 nonzero()）。

• 如果传入三个参数 condition, x, y，则类似于三元表达式：

  result = x if condition else y
  

---

三、示例详解

示例 1：三元选择（条件替换）

import torcha = torch.tensor([1, 2, 3, 4])
b = torch.tensor([10, 20, 30, 40])
cond = torch.tensor([True, False, True, False])out = torch.where(cond, a, b)
print(out)  # tensor([ 1, 20,  3, 40])

解释：满足 cond=True 的地方取 a，否则取 b。

---

示例 2：只有 condition 参数，返回索引

x = torch.tensor([[0, 1], [2, 0]])
pos = torch.where(x > 0)print(pos)
# 输出: (tensor([0, 1]), tensor([1, 0]))
# 表示非零位置是 [0,1] 和 [1,0]

如果你希望将这些坐标转换成可访问的形式：

coordinates = list(zip(pos[0].tolist(), pos[1].tolist()))
# [(0, 1), (1, 0)]

---

示例 3：广播行为支持

a = torch.tensor([[1, 2], [3, 4]])
b = torch.tensor([[100]])
mask = torch.tensor([[True, False], [False, True]])out = torch.where(mask, a, b)
print(out)
# tensor([[  1, 100],
#         [100,   4]])

---

示例 4：用于神经网络中的掩码操作（常见）

logits = torch.tensor([0.2, -0.5, 0.7, -1.0])
mask = logits > 0
output = torch.where(mask, logits, torch.zeros_like(logits))
print(output)  # tensor([0.2000, 0.0000, 0.7000, 0.0000])

---

示例 5：替代负无穷值（比如处理 log(0) 的场景）

eps = 1e-6
x = torch.tensor([0.5, 0.0, 1.0])
safe_x = torch.where(x > 0, x, torch.tensor(eps))
logx = torch.log(safe_x)
print(logx)

---

四、常见用途总结

场景	用法示例
条件替换	torch.where(mask, a, b)
去除负值/NaN/0	torch.where(x > 0, x, eps)
多分类掩码处理	torch.where(onehot_mask, pred, 0)
找到满足条件的索引	idxs = torch.where(x > 0.5)
广播与标量搭配	torch.where(mask, x, torch.tensor(0))

---

六、实战示例

下面是 torch.where() 在 分类问题、损失函数 和 图像掩码 场景下的实战用法示例和解释，非常适合深度学习任务中使用。

---

1. 分类问题中使用 torch.where（二分类/多分类掩码）

场景：筛选预测为正类的样本做统计

import torch# 假设 logits 是模型输出，labels 是真实标签
logits = torch.tensor([0.9, 0.3, 0.8, 0.1])
labels = torch.tensor([1, 0, 1, 0])# 二分类掩码
positive_mask = labels == 1# 只保留正样本对应的预测概率
positive_preds = torch.where(positive_mask, logits, torch.tensor(0.0))
print(positive_preds)
# tensor([0.9000, 0.0000, 0.8000, 0.0000])

---

2. 自定义损失函数中的 torch.where

示例：加权 BCE Loss，给予正类更高的权重

def weighted_bce_loss(pred, target, pos_weight=2.0):bce_loss = -(target * torch.log(pred + 1e-6) + (1 - target) * torch.log(1 - pred + 1e-6))weights = torch.where(target == 1, torch.tensor(pos_weight), torch.tensor(1.0))weighted_loss = weights * bce_lossreturn weighted_loss.mean()# 示例输入
pred = torch.tensor([0.9, 0.2, 0.7, 0.1])  # 模型预测
target = torch.tensor([1.0, 0.0, 1.0, 0.0])  # 标签loss = weighted_bce_loss(pred, target)
print(loss)

使用 torch.where 为正样本动态加权。

---

3. 图像处理中的 torch.where（掩码操作）

示例：用掩码提取前景像素或设定背景为固定值

import torch# 假设灰度图像：H×W
image = torch.tensor([[100, 120, 130],[90, 0, 50],[255, 200, 180]
], dtype=torch.float32)# 二值掩码（比如图像分割输出）
mask = image > 100# 将背景像素设为0（即屏蔽背景）
masked_image = torch.where(mask, image, torch.tensor(0.0))
print(masked_image)

输出：

tensor([[  0., 120., 130.],[  0.,   0.,   0.],[255., 200., 180.]])

---

避免除以 0：

denominator = torch.where(denom != 0, denom, torch.tensor(1e-6))

替代 NaN 或 Inf：

x = torch.tensor([1.0, float('nan'), 2.0, float('inf')])
cleaned = torch.where(torch.isfinite(x), x, torch.tensor(0.0))

---

4.语义分割 中的应用示例：

• 忽略某些像素（如 ignore index）；
• 可视化前景掩码；
• 动态计算某些类的准确率、IoU；
• 针对背景与前景的不同加权 loss；
• 将预测 mask 显示成彩色图像。

---

1. 忽略标签为 255 的像素（ignore_index）

import torchpred = torch.tensor([[1, 2, 0],[0, 1, 2]
])
target = torch.tensor([[1, 255, 0],[0, 1, 255]
])# 忽略标签为 255 的像素
mask = target != 255
correct = torch.where(mask, pred == target, torch.tensor(False))# 精度统计（不含 ignore）
acc = correct.sum().float() / mask.sum()
print("Accuracy (excluding ignore_index):", acc.item())

---

** 2. 前景/背景 mask 处理（比如用于 loss）**

# 假设标签中 0 为背景，1 为前景
label = torch.tensor([[0, 0, 1],[1, 1, 0]
])is_foreground = torch.where(label == 1, torch.tensor(1.0), torch.tensor(0.0))
print(is_foreground)
# tensor([[0., 0., 1.],
#         [1., 1., 0.]])

你可以用这个 mask 计算前景区域的 loss 或平均值。

---

** 3. 可视化分割结果（转彩色）**

import torch# 假设预测结果为标签图（整数类 id）
label_map = torch.tensor([[0, 1, 2],[1, 2, 0]
], dtype=torch.int64)# 假设有 3 个类，对应 RGB 颜色如下
colors = torch.tensor([[0, 0, 0],       # class 0 -> 黑色[255, 0, 0],     # class 1 -> 红色[0, 255, 0],     # class 2 -> 绿色
], dtype=torch.uint8)# 转换为彩色图像
color_image = colors[label_map]
print(color_image.shape)  # torch.Size([2, 3, 3])，对应 H x W x C

如果你要保存图像（使用 OpenCV）：

import cv2
cv2.imwrite("seg_output.png", color_image.numpy())

---

** 4. 类别不平衡：前景加权 loss**

# logits 为 (N, C, H, W)，labels 为 (N, H, W)
def weighted_cross_entropy(logits, labels, fg_weight=5.0, ignore_index=255):N, C, H, W = logits.shapelogits_flat = logits.permute(0, 2, 3, 1).reshape(-1, C)labels_flat = labels.reshape(-1)# 计算 lossloss = torch.nn.functional.cross_entropy(logits_flat, labels_flat,reduction='none', ignore_index=ignore_index)# 生成权重：前景类别加权weights = torch.ones_like(labels_flat, dtype=torch.float32)weights = torch.where(labels_flat != 0, torch.tensor(fg_weight), torch.tensor(1.0))weights = torch.where(labels_flat == ignore_index, torch.tensor(0.0), weights)loss = loss * weightsreturn loss.sum() / (weights.sum() + 1e-6)

---

小结：语义分割中常见的 torch.where() 用法

任务	示例
忽略 ignore_index 像素	mask = label != 255
筛选前景像素	fg_mask = torch.where(label == 1, 1.0, 0.0)
自定义 loss 权重	weights = torch.where(label == 1, 5.0, 1.0)
彩色可视化分割图	colors[label_map]
分割输出中统计精度	correct = torch.where(mask, pred == target, 0)

---

五、补充说明

• condition 必须是 bool 类型张量。
• x 和 y 的形状需 可广播。
• torch.where 是支持 GPU 的（放在 cuda() 后依然生效）。

---