torch.where(condition, x, y) 是一个三元运算符：如果条件为真，取 x 的值；如果条件为假，保持 y（即原本的 weights）不变。

            if self.cls_wise_reg_weights is not None:
                for cls, weight in self.cls_wise_reg_weights.items():
                    weights = torch.where(
                        (cls_target[i] == cls)[:, None],
                        weights.new_tensor(weight),
                        weights
                    )
            instance_reg_weights.append(weights)

weights的shape是[5,10], 全1；
self.cls_wise_reg_weights是{9:[1,1,1,1,1,1,0,0,1,1]}
cls_target[8,7,9,1,4]

已知：

weights.shape == [5, 10]
weights 全是 1

self.cls_wise_reg_weights = {
    9: [1,1,1,1,1,1,0,0,1,1]
}

cls_target = [8,7,9,1,4]

代码：

for cls, weight in self.cls_wise_reg_weights.items():

    weights = torch.where(
        (cls_target == cls)[:, None],
        weights.new_tensor(weight),
        weights
    )

逐步展开。

1. 初始 weights

因为是全 1：

weights =
tensor([
 [1,1,1,1,1,1,1,1,1,1],   # 对应 cls_target=8
 [1,1,1,1,1,1,1,1,1,1],   # 对应 cls_target=7
 [1,1,1,1,1,1,1,1,1,1],   # 对应 cls_target=9
 [1,1,1,1,1,1,1,1,1,1],   # 对应 cls_target=1
 [1,1,1,1,1,1,1,1,1,1],   # 对应 cls_target=4
])

2. for 循环

这里只有一个：

cls = 9

weight =
[1,1,1,1,1,1,0,0,1,1]

3. 条件 (cls_target == cls)

cls_target == 9

得到：

tensor([False, False, True, False, False])

再：

[:, None]

变成 shape [5,1]：

tensor([
 [False],
 [False],
 [ True],
 [False],
 [False]
])

4. torch.where 广播

torch.where(condition, A, B)

这里：

condition.shape = [5,1]
A.shape         = [10]
B.shape         = [5,10]

广播后：

condition ->
[
 [F,F,F,F,F,F,F,F,F,F],
 [F,F,F,F,F,F,F,F,F,F],
 [T,T,T,T,T,T,T,T,T,T],
 [F,F,F,F,F,F,F,F,F,F],
 [F,F,F,F,F,F,F,F,F,F],
]

A 也广播成：

[
 [1,1,1,1,1,1,0,0,1,1],
 [1,1,1,1,1,1,0,0,1,1],
 ...
]

5. 最终结果

只有 cls_target==9 的那一行被替换：

weights =
tensor([
 [1,1,1,1,1,1,1,1,1,1],
 [1,1,1,1,1,1,1,1,1,1],
 [1,1,1,1,1,1,0,0,1,1],   # 被替换
 [1,1,1,1,1,1,1,1,1,1],
 [1,1,1,1,1,1,1,1,1,1],
])

本质上：

对类别 9 的样本，把它对应的 regression weight 改成 [1,1,1,1,1,1,0,0,1,1]

也就是：

• 第 6、7 维（从 0 开始）权重置 0
• 其它维保持 1

我们用你给的具体数值来肉眼“跑”一遍代码。你的 cls_target 包含了 5 个样本的类别标签，其中索引为 2 的样本类别恰好是 9。

下面是极其精细的单步推导过程：

1. 初始状态与输入

• weights 的形状是 [5, 10]，初始全为 1：

$$weights = \begin{pmatrix} 1 & 1 & 1 & 1 & 1 & 1 & 1 & 1 & 1 & 1 \ 1 & 1 & 1 & 1 & 1 & 1 & 1 & 1 & 1 & 1 \ 1 & 1 & 1 & 1 & 1 & 1 & 1 & 1 & 1 & 1 \ 1 & 1 & 1 & 1 & 1 & 1 & 1 & 1 & 1 & 1 \ 1 & 1 & 1 & 1 & 1 & 1 & 1 & 1 & 1 & 1 \end{pmatrix}$$

• cls_target 为 [8, 7, 9, 1, 4]，形状为 [5]。
• 循环内部当前的键值对：cls = 9，weight = [1, 1, 1, 1, 1, 1, 0, 0, 1, 1]（注意第 6、7 位是 0，其余是 1）。

2. 核心三步计算

第一步：条件判断 (cls_target == cls)

将标签数组里的每一个值和 9 做对比：

• 8 == 9 $\rightarrow$ False
• 7 == 9 $\rightarrow$ False
• 9 == 9 $\rightarrow$ True (索引为 2 的样本命中了)
• 1 == 9 $\rightarrow$ False
• 4 == 9 $\rightarrow$ False

此时得到的布尔张量形状为 [5]：[False, False, True, False, False]。

第二步：维度扩展 [:, None]

将形状从 [5] 升维变成 [5, 1]：

# condition 的形状：[5, 1]
condition = [[False],
             [False],
             [True ],
             [False],
             [False]]

第三步：三元运算符 torch.where 隐式广播与替换

在执行 torch.where 时，PyTorch 会对 condition 和 weight 进行广播（矩阵复制对齐）：

• condition 从 [5, 1] 广播成 [5, 10]（每一列都复制成一样）。
• weight 从 [10] 广播成 [5, 10]（每一行都复制成一样）。

最终替换逻辑按行展开如下：

• 第 0、1、3、4 行：条件全为 False $\rightarrow$ 保持原样（全 1）。
• 第 2 行（索引为2）：条件全为 True $\rightarrow$ 替换为目标类别权重 [1, 1, 1, 1, 1, 1, 0, 0, 1, 1]。

3. 最终输出结果

经过这一轮循环后，weights 的值更新为：

tensor([[1, 1, 1, 1, 1, 1, 1, 1, 1, 1],  # 类别8，保持原样
        [1, 1, 1, 1, 1, 1, 1, 1, 1, 1],  # 类别7，保持原样
        [1, 1, 1, 1, 1, 1, 0, 0, 1, 1],  # 类别9，成功被修改！(最后两个0前面是6个1)
        [1, 1, 1, 1, 1, 1, 1, 1, 1, 1],  # 类别1，保持原样
        [1, 1, 1, 1, 1, 1, 1, 1, 1, 1]]) # 类别4，保持原样

其形状依然保持 [5, 10] 不变。也就是说，只有命中类别 9 的那个样本（第3个），其回归损失权重被精细地改写了。