Pytorch 使用tensor特定条件判断索引

torch.where() 用于将两个broadcastable的tensor组合成新的tensor，类似于c++中的三元操作符“?:”

区别于python numpy中的where()直接可以找到特定条件元素的index

想要实现numpy中where()的功能，可以借助nonzero()

对应numpy中的where()操作效果:

补充：pytorch torch.tensor.detach()方法的用法及修改指定模块权重的方法

detach

detach的中文意思是分离，官方解释是返回一个新的tensor,从当前的计算图中分离出来

需要注意的是，返回的tensor和原tensor共享相同的存储空间，但是返回的 tensor 永远不会需要梯度

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

那么这个函数有什么作用?

–假如a网络输出了一个tensor类型的变量a, a要作为输入传入到b网络中，如果我想通过损失函数反向传播修改b网络的参数，但是不想修改a网络的参数，这个时候就可以使用detcah()方法

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

来看一个实际的例子：

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() 　　#分离之后
x.requires_grad   #false
y = x+y         #tensor([２.])
y.requires_grad   #我还是true
y.retain_grad()   #y不是叶子张量，要加上这一行
z = t.pow(y, 2)
z.backward()  　　#反向传播
y.grad  　　　　　　#tensor([４.])
x.grad  　　　　　　#none

以上代码就说明了反向传播到y就结束了，没有到达x,所以x的grad属性为none

既然谈到了修改模型的权重问题，那么还有一种情况是:

–假如a网络输出了一个tensor类型的变量a, a要作为输入传入到b网络中，如果我想通过损失函数反向传播修改a网络的参数，但是不想修改b网络的参数，这个时候又应该怎么办了?

这时可以使用tensor.requires_grad属性，只需要将requires_grad修改为false即可．

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

以上为个人经验，希望能给大家一个参考，也希望大家多多支持。如有错误或未考虑完全的地方，望不吝赐教。