python
y_hat[[0, 1], y]看起来简短，其实包含了 PyTorch 的高级索引（advanced indexing） 机制，
常用于分类任务中，从模型输出中取出正确类别对应的预测概率（或分数）。
我们来一步步拆解 👇
🧩 一、先看变量定义
python
y = torch.tensor([0, 2])
y_hat = torch.tensor([
[0.1, 0.3, 0.6],
[0.3, 0.2, 0.5]
])可以理解为：
| 样本编号 | 模型预测概率（3类） | 正确类别 |
|---|---|---|
| 第 0 个样本 | [0.1, 0.3, 0.6] |
0 |
| 第 1 个样本 | [0.3, 0.2, 0.5] |
2 |
🧮 二、代码含义
python
y_hat[[0, 1], y]这是一个行列双索引操作，等价于：
python
torch.tensor([y_hat[0, y[0]], y_hat[1, y[1]]])也就是：
= [y_hat[0, 0], y_hat[1, 2]]📊 三、一步步替换求值
从矩阵中取出对应元素：
| 索引 | 取出的元素 | 值 |
|---|---|---|
| y_hat0, 0 | 第 0 行第 0 列 | 0.1 |
| y_hat1, 2 | 第 1 行第 2 列 | 0.5 |
所以：
python
y_hat[[0, 1], y] = tensor([0.1, 0.5])🧠 四、这个操作在深度学习中的用途
这个技巧非常常见！尤其是在 交叉熵损失 (cross-entropy) 计算中。
假设 y_hat 是每个样本对所有类别的预测概率分布，y 是正确标签，
那这行代码可以提取出：
每个样本 "对应正确类别" 的预测概率。
例如：
python
y_hat[[0, 1], y]
# → tensor([预测第0个样本属于真实类别的概率,
# 预测第1个样本属于真实类别的概率])然后就可以算交叉熵：
python
loss = -torch.log(y_hat[[0, 1], y])✅ 五、总结一句话
| 代码 | 含义 |
|---|---|
y_hat[[0, 1], y] |
按行索引 [0, 1] 和对应列索引 y 同时取元素 |
= [y_hat[0, y[0]], y_hat[1, y[1]]] |
等价的展开写法 |
| 结果 | 取出每个样本的正确类别预测值（常用于分类任务） |
💡 口诀记忆：
y_hat[行索引, 列索引]会"对齐"地从每一行中取出对应列的元素。
常用来拿到"每个样本在真实类别上的预测概率"。
具体理解
🧩 数据回顾
python
y = torch.tensor([0, 2])
y_hat = torch.tensor([
[0.1, 0.3, 0.6],
[0.3, 0.2, 0.5]
])🎨 图示说明
类别0 类别1 类别2
样本0 → 0.1 0.3 0.6
样本1 → 0.3 0.2 0.5以及标签：
y = [0, 2]表示：
- 样本 0 的真实类别是 0
- 样本 1 的真实类别是 2
🔍 执行这句代码：
python
y_hat[[0, 1], y]等价于：
取第 0 行的第 y[0]=0 列 → 0.1
取第 1 行的第 y[1]=2 列 → 0.5✅ 可视化标注结果
类别0 类别1 类别2
样本0 → [0.1]* 0.3 0.6
样本1 → 0.3 0.2 [0.5]*
星号 * 表示被选中的元素最终输出：
tensor([0.1, 0.5])🧠 用途回顾
在分类任务里：
python
loss = -torch.log(y_hat[[0, 1], y])就是取出模型对真实标签类别的预测概率，再取负对数计算交叉熵损失。