语义分割删除或者忽略部分类别，重新生成one-hot编码(Pytorch)

需求：语义分割有23个类别，需要删除部分类别，删除的类别不会传入loss进行计算，但是默认在loss的计算过程中，是采用one-hot编码进行，删除类别会影响one-hot编码的排序。

依次要做的事儿：将忽略的类别定义为-1，建立新旧label值的映射表，通过映射表修改label的值，对其中 -1 的值进行过滤，然后生成新的one-hot编码。

需要修改的地方：类别数，修改值和mask其实不是针对我们创建的tensor1，而是真实的label tensor(比如维度为 1xn )，根据映射表和mask就可以对 1xn 的label做处理，我这里处理tensor1是为了方便展示。

代码如下：

import torch
import torch.nn.functional as F


if __name__ == '__main__':

    # define 23 classes
    tensor1 = torch.arange(0,23)
    print(tensor1)
    del_class = [4, 6, 8]

    # edit del_class to -1
    for i in range(len(tensor1)):
        if tensor1[i] in del_class:
            tensor1[i] = -1

    # edit mapping dict
    value = torch.unique(tensor1)
    mapping = {}
    for index in range(len(value)):
        if value[index] == -1:
            continue
        old_value = int(value[index])
        new_value = index - 1
        mapping[old_value] = new_value
    print(tensor1)
    print(mapping)

    # edit tensor value according to mapping_dict
    for i in range(len(tensor1)):
        if int(tensor1[i]) in mapping.keys():
            new_value = mapping[int(tensor1[i])]
            tensor1[i] = new_value
    print(tensor1)

    # mask -1 value
    mask = (tensor1 != -1)

    # generate one-hot value
    tensor1_one = F.one_hot(tensor1[mask])
    print(tensor1_one)