tensorflow 中 boolean_mask的具体含义和例程解析

tensorflow里的一个函数，boolean_mask(a,b) 将使a (m维)矩阵仅保留与b中“True”元素同下标的部分。在做目标检测（YOLO）时常常用到。

"""Apply boolean mask to tensor.  Numpy equivalent is `tensor[mask]`.
```python
# 1-D example
tensor = [0, 1, 2, 3]
mask = np.array([True, False, True, False])
boolean_mask(tensor, mask)  # [0, 2]
```

In general, `0 < dim(mask) = K <= dim(tensor)`, and `mask`'s shape must match
the first K dimensions of `tensor`'s shape. 

We then have:
  `boolean_mask(tensor, mask)[i, j1,...,jd] = tensor[i1,...,iK,j1,...,jd]`
where `(i1,...,iK)` is the ith `True` entry of `mask` (row-major order).
The `axis` could be used with `mask` to indicate the axis to mask from.
In that case, `axis + dim(mask) <= dim(tensor)` and `mask`'s shape must match
the first `axis + dim(mask)` dimensions of `tensor`'s shape.

 

以上是源码里的解释，没看懂。下面自己看例子。

Mask的维度可以小于等于tensor的维度。但必须和tensor的维度对齐。比如tensor是3维的，分别是（3，4，2）。则mask的维度可以是3~1维，长度必须是（3，4，2），（3，4）和（3，）。

当mask和tensor的维度相同时，输出1维矩阵。

当mask比tensor少一维时，输出2维矩阵。

当mask比bensor少两维时，输出3维矩阵。

即输出的维度= tensor的维度 – mask的维度+ 1

注意这里的对应关系，mask的第1，2个维度对应了tensor的第1，2个维度。这种对应不分行列。

输出的第一个维度的数值为？，表示mask中的true数目是变化的。