tensorflow 输出的 tensor 数据格式是怎么定义的？

Question

各位好， 我是刚刚开始接触机器学习， 打算做一个行人检测的应用，也就是检测图片内中的行人并标注出来。 我在 Github 上找到一份代码，编译调试后， 确认可以进行， 所以想改改他的代码来适应我的项目， 经过长时间的调试后， 最后出现了一个不能解决的问题，就是在获取输出的 tensor 后，作者取数据计算行人边框的方式很难理解。

主要问题有下面几个：

1. tensor 里面不是存的 NCHW 或者 NHWC 的数据么？ 为什么会有位置信息？
2. 为什么输出的 tensor 里 boxes->host<float>()[i * 4] 和中心点有关， boxes->host<float>()[i * 4 + 2] 和 宽度有关， 这个定义是如何定义的， 是训练的时候定义 model 时定义的么？
3. 如何确定一个 tensor 里面的数据组成呢？

下面是作者获取 边框 的函数：

void UltraFace::generateBBox(std::vector<FaceInfo> &bbox_collection, MNN::Tensor *scores, MNN::Tensor *boxes) {
    for (int i = 0; i < num_anchors; i++) {
        if (scores->host<float>()[i * 2 + 1] > score_threshold) {
            FaceInfo rects;
            float x_center = boxes->host<float>()[i * 4] * center_variance * priors[i][2] + priors[i][0];
            float y_center = boxes->host<float>()[i * 4 + 1] * center_variance * priors[i][3] + priors[i][1];
            float w = exp(boxes->host<float>()[i * 4 + 2] * size_variance) * priors[i][2];
            float h = exp(boxes->host<float>()[i * 4 + 3] * size_variance) * priors[i][3];
            
            rects.x1 = clip(x_center - w / 2.0, 1) * image_w;
            rects.y1 = clip(y_center - h / 2.0, 1) * image_h;
            rects.x2 = clip(x_center + w / 2.0, 1) * image_w;
            rects.y2 = clip(y_center + h / 2.0, 1) * image_h;
            rects.score = clip(scores->host<float>()[i * 2 + 1], 1);
            bbox_collection.push_back(rects);
        }
    }
}

刚刚接触， 所以无从下手， 希望好心人能帮个忙， 给个搜索的关键词， 上面的问题主要是不知道怎么搜才能搜索相关信息 ~~~