如何基于索引作为过滤器创建动态尺寸掩码张量？

核心实现卡点 #

这类需求的常见兼容问题是：主流深度学习框架不支持对张量维度使用逐批次的动态数值做切片赋值。哪怕是PyTorch这类动态图框架，写出mask[:, y1:y2, x1:x2, :] = 1类逻辑时，只要y1、x1是带batch维度的上游输出张量，就会触发切片参数不可解析、维度不匹配的报错；提前固定掩码形状的方案，也会因为batch维度可变的场景完全失效。

无固定形状的高效实现逻辑 #

全程不需要预先硬编码图像尺寸，通过坐标网格比对的向量化运算生成掩码，计算效率和原生NumPy切片基本持平，且完全兼容上游传入张量型坐标、batch维度可变的场景：

1. 动态读取输入图像的实时形状，不写死任何固定尺寸值
2. 生成和图像空间域对齐的坐标网格，通过广播机制自动适配每个批次的矩形参数
3. 逐位置判断像素坐标是否落在矩形边界内，直接生成0-1掩码

参考实现代码（适配PyTorch生态，逻辑可平移至TensorFlow） #

import torch
def generate_rect_mask(img_tensor, x1, y1, x2, y2):
    # 动态读取输入维度，batch大小可变也能正常识别
    batch_size, img_h, img_w, img_c = img_tensor.shape
    # 调整坐标张量形状，匹配广播规则
    y1 = y1.reshape(batch_size, 1, 1, 1)
    y2 = y2.reshape(batch_size, 1, 1, 1)
    x1 = x1.reshape(batch_size, 1, 1, 1)
    x2 = x2.reshape(batch_size, 1, 1, 1)
    # 生成覆盖全图的像素坐标序列
    y_pos = torch.arange(img_h, device=img_tensor.device).reshape(1, img_h, 1, 1)
    x_pos = torch.arange(img_w, device=img_tensor.device).reshape(1, 1, img_w, 1)
    # 逐像素判断是否落在矩形区域内
    mask_region = (y_pos >= y1) & (y_pos < y2) & (x_pos >= x1) & (x_pos < x2)
    # 拓展通道维度，和输入张量形状完全对齐
    mask = mask_region.expand(batch_size, img_h, img_w, img_c).float()
    return mask

方案特性 #

• 无需提前固定输入图像的高、宽、通道数，batch维度传入任意大小都能自动适配
• 整个流程完全基于张量运算，上游传入的x/y坐标如果带计算图梯度，掩码生成过程不会切断反向传播链路
• 全向量化运算，没有逐样本遍历的循环开销，GPU上的运行速度和NumPy原生切片的性能差距可忽略
• 规避了动态切片赋值在深度学习框架下的兼容问题，不需要额外调用散点填充类的复杂接口。

内容的提问来源于stack exchange，提问作者alex lee