Python 如何创建torch.tensor对象并仅更新其部分元素？

假设我想创建大小为[2,3]的torch.tensor对象，填充随机元素，我打算在网络中使用此矩阵并优化其值。然而，我只想更新矩阵中的一些值

我知道可以通过设置参数

requires\u grad

到

True

或

False

来实现张量。但是，下面的代码

z = torch.rand([2,3], requires_grad=True)
z[-1][-1].requires_grad=False

没有按预期工作

RuntimeError: you can only change requires_grad flags of leaf variables. If you want to use a computed variable in a subgraph that doesn't require differentiation use var_no_grad = var.detach().

如何修复此运行时错误？如何初始化torch张量，然后定义哪些元素将具有

requires_grad=True

如果我以类似的方式编写代码：

z = torch.rand([2,3], requires_grad=False)
z[-1][-1].requires_grad=True

---

不会有错误，但也不会更改requires\u grad。

只有一个张量

只对其部分条目要求\u grad，这没有多大意义。

为什么不有两个单独的张量，一个是我们更新的（
需要_grad=True
），另一个是固定的（
需要_grad=False
）？然后，您可以合并它们以便于计算：

fixed=torch.rand（[2,3]，require\u grad=False）
upd=torch.rand（[2,3]，require_grad=True）
mask=torch.tensor（[[0,1,0]，[1,0,1]]，require_grad=False）#如何将两者结合起来
#使用固定的“遮罩”组合它们：
z=掩模*固定+（1-掩模）*upd

显然，除了使用二进制
掩码
之外，您还可以使用其他方法组合
fixed
和
upd
例如，如果
upd
占据
z
的前两列和
fixed
的其余两列，则：

fixed=torch.rand（[2,1]，require\u grad=False）
upd=torch.rand（[2,2]，require_grad=True）
#用浓缩法将它们结合起来
z=焊炬。类别（upd，固定），尺寸=1）

或者，如果你知道指数的话

fidx=torch.tensor（[0,2]，dtype=torch.long）
uidx=火炬张量（[1,3,4,5]，dtype=火炬长）
固定=火炬.rand（[2，]，require_grad=False）
upd=torch.rand（[4，]，require_grad=True）
z=火炬。空（[2,3]）
z[fidx]=固定
z[uidx]=upd
谢谢。我将尝试你的想法和下面的代码
fixed=torch.rand（[2,3]）upd=torch.from_numpy（fixed.data.numpy（））upd.require_grad=True mask=torch.tensor（[0,1,0.]，[1,0,1.]）z=mask*fixed+（1-mask）*upd
我担心的是我在做不必要的计算。在这个例子中，对于[2,3]张量来说，这不是一个大问题，但是如果有超过一百万个元素，这将是一个大问题。此外，在意识形态上，我甚至不需要这个掩码，我知道不应该更新的元素的索引。您提到的其他方法是什么？@user48115如果您的“屏蔽”元素遵循特定的模式，您可能会将
固定
和
upd
作为较小的张量，而
z
是通过连接它们来创建的。请看我的更新。