Machine learning 如何对张量/向量的元素应用更改而不更改其引用？_Machine Learning_Lua_Neural Network_Conv Neural Network_Torch

Machine learning 如何对张量/向量的元素应用更改而不更改其引用？

machine-learning lua neural-network

Machine learning 如何对张量/向量的元素应用更改而不更改其引用？,machine-learning,lua,neural-network,conv-neural-network,torch,Machine Learning,Lua,Neural Network,Conv Neural Network,Torch,我正在共享网络的参数，并希望应用一些操作来更改参数向量的元素。我不能直接在参数张量上做这些操作，因为它们肯定会改变参数向量引用和共享断点。因此，：clone（）共享参数向量，并在新向量上应用我想要的更改，并使用：copy（）函数替换原始参数向量中的元素。我认为tensor:copy（）函数不会更改向量/张量引用，但似乎会更改，因为应用它后，参数共享很快就会崩溃。所以我想知道，有人能修复下面的代码，并提出一种在不破坏共享的情况下更改参数向量元素的方法吗 tempParam = parameters

我正在共享网络的参数，并希望应用一些操作来更改参数向量的元素。我不能直接在参数张量上做这些操作，因为它们肯定会改变参数向量引用和共享断点。因此，：clone（）共享参数向量，并在新向量上应用我想要的更改，并使用：copy（）函数替换原始参数向量中的元素。我认为tensor:copy（）函数不会更改向量/张量引用，但似乎会更改，因为应用它后，参数共享很快就会崩溃。所以我想知道，有人能修复下面的代码，并提出一种在不破坏共享的情况下更改参数向量元素的方法吗

tempParam = parameters:clone()
Do some operations on the tempParam vector
parameters:copy(tempParam) -- Do the replacement (the copy() function breaks the sharing)

我感兴趣的一个操作是钳制，但如果直接应用于参数向量，clamp（）函数也会破坏共享。

基本上，您需要一个指向张量的指针，它将修改其原始数据，保留引用和共享。这个链接（张量文档）清楚地解释了这一点。