本篇内容介绍了“Pytorch使用tensor特定条件判断索引的方法”的有关知识，在实际案例的操作过程中，不少人都会遇到这样的困境，接下来就让小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！
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 ta = 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 tx = t.ones(1, requires_grad=True)x.requires_grad #Truey = t.ones(1, requires_grad=True)y.requires_grad #Truex = x.detach() #分离之后x.requires_grad #Falsey = x+y #tensor([２.])y.requires_grad #我还是Truey.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 = Falsea = A(input)b = B(a)loss = criterion(b, target)loss.backward()“Pytorch使用tensor特定条件判断索引的方法”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识可以关注编程网网站，小编将为大家输出更多高质量的实用文章！
