Pytorch使用tensor特定條件判斷索引的方法

本篇內容介紹了“Pytorch使用tensor特定條件判斷索引的方法”的有關知識，在實際案例的操作過程中，不少人都會遇到這樣的困境，接下來就讓小編帶領大家學習一下如何處理這些情況吧！希望大家仔細閱讀，能夠學有所成！

torch.where() 用于將兩個broadcastable的tensor組合成新的tensor，類似于c++中的三元操作符“?:”

區別于python numpy中的where()直接可以找到特定條件元素的index

想要實現numpy中where()的功能，可以借助nonzero()

對應numpy中的where()操作效果:

補充：Pytorch torch.Tensor.detach()方法的用法及修改指定模塊權重的方法

detach

detach的中文意思是分離，官方解釋是返回一個新的Tensor,從當前的計算圖中分離出來

需要注意的是，返回的Tensor和原Tensor共享相同的存儲空間，但是返回的 Tensor 永遠不會需要梯度

import torch as t
a = t.ones(10,)
b = a.detach()
print(b)
tensor([1., 1., 1., 1., 1., 1., 1., 1., 1., 1.])

那么這個函數有什么作用?

–假如A網絡輸出了一個Tensor類型的變量a, a要作為輸入傳入到B網絡中，如果我想通過損失函數反向傳播修改B網絡的參數，但是不想修改A網絡的參數，這個時候就可以使用detcah()方法

a = A(input)
a = detach()
b = B(a)
loss = criterion(b, target)
loss.backward()

來看一個實際的例子：

import torch as t
x = t.ones(1, requires_grad=True)
x.requires_grad   #True
y = t.ones(1, requires_grad=True)
y.requires_grad   #True
x = x.detach() 　　#分離之后
x.requires_grad   #False
y = x+y         #tensor([２.])
y.requires_grad   #我還是True
y.retain_grad()   #y不是葉子張量，要加上這一行
z = t.pow(y, 2)
z.backward()  　　#反向傳播
y.grad  　　　　　　#tensor([４.])
x.grad  　　　　　　#None

以上代碼就說明了反向傳播到y就結束了，沒有到達x,所以x的grad屬性為None

既然談到了修改模型的權重問題，那么還有一種情況是:

–假如A網絡輸出了一個Tensor類型的變量a, a要作為輸入傳入到B網絡中，如果我想通過損失函數反向傳播修改A網絡的參數，但是不想修改B網絡的參數，這個時候又應該怎么辦了?

這時可以使用Tensor.requires_grad屬性，只需要將requires_grad修改為False即可．

for param in B.parameters():
 param.requires_grad = False
a = A(input)
b = B(a)
loss = criterion(b, target)
loss.backward()

“Pytorch使用tensor特定條件判斷索引的方法”的內容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業相關的知識可以關注億速云網站，小編將為大家輸出更多高質量的實用文章！