通过 pytorch 中的张量切片，火炬分配不到位答案

【问题标题】：torch assign not in place by tensor slicing in pytorch通过 pytorch 中的张量切片，火炬分配不到位
【发布时间】：2020-03-31 02:24:19
【问题描述】：

我正在尝试将分配张量的当前代码转换为外部操作。
意思是目前的代码是

self.X[:, nc:] = D

其中 D 的形状与 self.X[:, nc:] 相同
但我想将其转换为

sliced_index = ~ somehow create an indexed tensor from self.X[:, nc:]
self.X = self.X.scatter(1,sliced_index,mm(S_, Z[:, :n - nc]))

并且不知道如何创建仅表示切片张量中的条目的索引掩码张量

小例子：

a = [[0,1,2],[3,4,5]]
D = [[6],[7]]
Not_in_place = [[0,1,6],[3,4,7]]

【问题讨论】：

标签： python pytorch

【解决方案1】：

蒙版散点图更容易一些。掩码本身可以计算为就地操作，之后您可以使用masked_scatter

mask = torch.zeros(self.X.shape, device=self.X.device, dtype=torch.bool)
mask[:, nc:] = True
self.X = self.X.masked_scatter(mask, D)

依赖于广播但应该更高效的更专业的版本是

mask = torch.zeros([1, self.X.size(1)], device=self.X.device, dtype=torch.bool)
mask[0, nc:] = True
self.X = self.X.masked_scatter(mask, D)

【讨论】：

是的，哈哈这也回复了我发的另一篇帖子，没想到谢谢！

【解决方案2】：

使用Tensor.clone 复制张量。

a = torch.tensor([[0,1,2],[3,4,5]])
D = torch.tensor([[6],[7]])

n, n[:,-1:] = a.clone(), D
n
tensor([[0, 1, 6],
        [3, 4, 7]])
a
tensor([[0, 1, 2],
        [3, 4, 5]])

【讨论】：

这个方法仍然使用赋值，我想避免因为涉及到后退步骤（不允许自我赋值）
然后试试这个a.clone().detach()
分离后你会完全失去渐变