一步步理解花式索引（fancy index）

前言

最近在看 yolov8 的源码的时候，第一次看到花式索引的使用，在那一行代码卡了半天的时间，从疑惑，到怀疑自我，再到愤怒，一时间无法理解，怎么有这么恶心的东西：

一个多维的数组或者是张量，使用多维数组和张量作为索引

这玩意有什么出现的必要吗？本来多维矩阵的操作已经麻烦到不行了，你索引再给我整个多维矩阵，简直逆天。

网上大多数关于花式索引的文章都是浅尝辄止，看了半天都没得到啥有用的信息，于是花了半天时间，自己测试了一下，终于理解了其中的操作。

---

因为 np.array 与 tensor 关于花式索引的操作都是一样的，为了省事，下面是使用的 numpy。

我们跳过一维的索引，直接进入正题，二维数组作为索引：

a = np.arange(60).reshape((3, 4, 5))
b1 = np.array([[2, 0], [0, 1]])

a 和 b1 两个数组是

a:  [[[ 0  1  2  3  4]
  [ 5  6  7  8  9]
  [10 11 12 13 14]
  [15 16 17 18 19]]

 [[20 21 22 23 24]
  [25 26 27 28 29]
  [30 31 32 33 34]
  [35 36 37 38 39]]

 [[40 41 42 43 44]
  [45 46 47 48 49]
  [50 51 52 53 54]
  [55 56 57 58 59]]]
b1:  [[2, 0], [0, 1]]

例一

如果我现在要求解：a[b1, :, :]，就是将二维数组 b1 作为 a 的第一维度的索引：

• 获得的结果是啥？
• 维度是多少？

为了方便理解，我将自己摸索的推导过程逐步分解，这样大家都可以轻松看懂：

我们知道 a[n, :, :] 的维度是 [4, 5]，根据推导的公式，不难看出来获得的结果维度是 [2, 2, 4, 5]

例二

这次我们求 a[:, b2, :]，b2 的值如下， 看看有什么不一样的地方（其实也是一样的）。

b2 = np.array([[0, 0], [1, 2]])

例三

前面的例一和例二都是三维数组，但是都只选择其中一个维度进行花式索引，接下来我们升级一下，如果有两个维度都进行了花式索引，我们又会获得怎么样的结果捏？

这里我们继续沿用上面的数组 a，接下来我们要求解 a[b1, :, b2] 的结果。

这会涉及到一个广播机制，就是作为索引的 b1 和 b2 都得满足广播机制得规则才行，他们会被转换成维度一致的矩阵。讲究一个门当户对，在这里就不做过多的介绍了。

代码

大家可以跑一下下面的代码，看看结果：

import numpy as np
a = np.arange(60).reshape((3, 4, 5))
b1 = [[2, 0], [0, 1]]
b2 = [[0, 0], [1, 2]]
example_1 = a[b1, :, :]
example_2 = a[:, b2, :]
example_3 = a[b1, :, b2]

print(example_1, example_1.shape)
print(example_2, example_2.shape)
print(example_3, example_3.shape)