PyTorch中如何通过布尔运算定位MNIST特定误分类图像索引？

报错原因 #

Python原生的and、or仅能处理单个布尔值，而test_predictions == 2和test_labels == 7返回的是布尔张量（每个元素对应一个样本的判断结果），直接用and会触发歧义错误——PyTorch无法将整个布尔张量判定为单一的True/False。

正确实现方式 #

针对张量的逻辑运算，需使用PyTorch提供的专用方法或运算符：

方法1：使用torch.logical_and()函数

这是PyTorch官方推荐的张量逻辑与运算方式：

# 生成"预测为2且真实标签为7"的布尔掩码
mask = torch.logical_and(test_predictions == 2, test_labels == 7)
# 提取对应索引
wrong_indices = torch.where(mask)[0]
# 若需去重（此处实际无需，因每个样本对应唯一索引）
wrong_indices = wrong_indices.unique()

方法2：使用按位与运算符&

注意给每个比较表达式加括号（避免运算符优先级问题）：

mask = (test_predictions == 2) & (test_labels == 7)
wrong_indices = torch.where(mask)[0].unique()

扩展用法 #

针对混淆矩阵里的其他易混淆对（比如"预测为9但真实为4"），只需修改对应数值即可：

mask = torch.logical_and(test_predictions == 9, test_labels == 4)
wrong_indices_4_9 = torch.where(mask)[0]

后续分析 #

拿到索引后，可提取对应图像和标签进行可视化分析：

# 假设test_images为测试集图像张量
wrong_images = test_images[wrong_indices]
wrong_preds = test_predictions[wrong_indices]
wrong_trues = test_labels[wrong_indices]
# 可通过matplotlib等工具可视化，探究2和7手写风格相似等误分类原因

内容的提问来源于stack exchange，提问作者TennesseeTensor