Python 用PyTorch中的向量替换对角线元素

我一直在到处寻找类似于PyTorch的东西，但我什么也找不到

L_1 = np.tril(np.random.normal(scale=1., size=(D, D)), k=0)
L_1[np.diag_indices_from(L_1)] = np.exp(np.diagonal(L_1))

---

我想没有办法用Pytork以如此优雅的方式替换对角线元素。

我认为目前还没有实现这样的功能。但是，您可以使用

mask

实现相同的功能，如下所示

# Assuming v to be the vector and a be the tensor whose diagonal is to be replaced
mask = torch.diag(torch.ones_like(v))
out = mask*torch.diag(v) + (1. - mask)*a

因此，您的实现将类似于

L_1 = torch.tril(torch.randn((D, D)))
v = torch.exp(torch.diag(L_1))
mask = torch.diag(torch.ones_like(v))
L_1 = mask*torch.diag(v) + (1. - mask)*L_1

---

没有numpy那么优雅，但也不算太糟糕。

有一种更简单的方法

dest_matrix[range(len(dest_matrix)), range(len(dest_matrix))] = source_vector

事实上，我们必须自己生成对角线索引

用法示例：

dest_matrix = torch.randint(10, (3, 3))
source_vector = torch.randint(100, 200, (len(dest_matrix), ))
print('dest_matrix:\n', dest_matrix)
print('source_vector:\n', source_vector)

dest_matrix[range(len(dest_matrix)), range(len(dest_matrix))] = source_vector

print('result:\n', dest_matrix)

# dest_matrix:
#  tensor([[3, 2, 5],
#         [0, 3, 5],
#         [3, 1, 1]])
# source_vector:
#  tensor([182, 169, 147])
# result:
#  tensor([[182,   2,   5],
#         [  0, 169,   5],
#         [  3,   1, 147]])

如果

dest\u矩阵

不是正方形，则必须在

range（）中取
min（dest\u矩阵.size（））
而不是
len（dest\u矩阵）

不像
numpy
那样优雅，但这不需要存储新的索引矩阵

是的，这将保留渐变
您可以使用
对角线（）
提取对角线元素，然后将转换后的值指定给：

new_diags=L_1.diagonal（）.exp（）
L_1.对角线（）.复制（新对角线）
事实上，我希望有更优雅的东西，但这也行得通。如果张量和向量都需要梯度，这个解决方案会保持梯度要求吗？是的。我想是的，因为所有使用的函数在PyTorch中都是可微的。您可以使用此选项查看是否出现任何错误。更简单的常量情况：