这段代码的输出结果是 y 为 array([1])，而 z 为 1。 为什么会出现这种差异呢？
NumPy 的索引机制
当 NumPy ndarray 接收到一个索引时，它会检查索引的类型。如果索引是一个整数，NumPy 会直接使用这个整数作为索引来访问数组中的元素。如果索引是一个数组，NumPy 会根据数组的形状和内容来执行不同的操作。
在上面的例子中，np.array([1]) 是一个形状为 (1,) 的 NumPy 数组。当 NumPy 使用这个数组作为索引时，它会将其视为一个“花式索引”（fancy indexing）。 花式索引会返回一个新的数组，其中包含原始数组中由索引数组指定位置的元素。因此，x[np.array([1])] 返回的是一个新的数组 array([1])，其中包含 x 中索引为 1 的元素。
PyTorch 的索引机制
与 NumPy 不同，PyTorch Tensor 在处理索引时，会尝试将索引转换为一个整数。如果索引是一个只包含单个元素的 Tensor，PyTorch 会调用其 __index__() 方法将其转换为一个 Python 整数。
>>> torch.tensor([1]).__index__() 1 >>> torch.tensor([1, 2]).__index__() Traceback (most recent call last): File "<stdin>", line 1, in <module> TypeError: only integer tensors of a single element can be converted to an index
在上面的例子中，th.tensor([1]) 是一个形状为 (1,) 的 PyTorch Tensor。由于它只包含一个元素，PyTorch 可以将其转换为整数 1。因此，x[th.tensor([1])] 实际上等同于 x[1]，返回的是 x 中索引为 1 的元素，即 1。
源码分析
NumPy 的源码中，有一段关键的代码片段解释了其处理索引的逻辑：
if (PyLong_CheckExact(obj) || !PyArray_Check(obj)) {
// it calls PyNumber_Index() internally
npy_intp ind = PyArray_PyIntAsIntp(obj);
if (error_converting(ind)) {
PyErr_Clear();
}
else {
index_type |= HAS_INTEGER;
indices[curr_idx].object = NULL;
indices[curr_idx].value = ind;
indices[curr_idx].type = HAS_INTEGER;
used_ndim += 1;
new_ndim += 0;
curr_idx += 1;
continue;
}
}这段代码表明，如果索引对象不是 NumPy 数组，或者是一个 Python 整数，NumPy 会尝试将其转换为一个整数索引。如果转换成功，NumPy 就会使用这个整数索引来访问数组中的元素。如果转换失败，NumPy 可能会引发一个错误。
总结与注意事项
NumPy ndarray 和 PyTorch Tensor 在处理 (1,) 形状的数组或张量作为索引时，行为存在差异。NumPy 将其视为花式索引，返回一个新的数组，而 PyTorch 会尝试将其转换为整数索引。
在编写代码时，需要注意这种差异，以避免潜在的错误。如果希望使用 NumPy 的花式索引，需要确保索引是一个 NumPy 数组。如果希望使用 PyTorch 的整数索引，需要确保索引是一个只包含单个元素的 Tensor。
理解这些差异有助于编写更健壮和可预测的代码，并避免在使用 NumPy 和 PyTorch 进行数据处理时出现意外行为。
