pytorch每日一学49(torch.where())根据t指定条件更改指定tensor中的数值
第49个方法
torch.where(condition, x, y) → Tensor
此方法是将x中的元素和条件相比，如果符合条件就还等于原来的元素，如果不满足条件的话，那就去y中对应的值，公式为
举个例子就清楚了，官方例子如下：
>>> x = torch.randn(3, 2)
>>> y = torch.ones(3, 2)
>>> x
tensor([[-0.4620, 0.3139],
[ 0.3898, -0.7197],
[ 0.0478, -0.1657]])
>>> torch.where(x > 0, x, y)
tensor([[ 1.0000, 0.3139],
[ 0.3898, 1.0000],
[ 0.0478, 1.0000]])
>>> x = torch.randn(2, 2, dtype=torch.double)
>>> x
tensor([[ 1.0779, 0.0383],
[-0.8785, -1.1089]], dtype=torch.float64)
>>> torch.where(x > 0, x, 0.)
tensor([[1.0779, 0.0383],
[0.0000, 0.0000]], dtype=torch.float64)
其中第一个例子，取x大于零，那么x中小于0的值就会变成y中与之相对应位置的值，由于y里面都是1，所以x中小于0的位置都变成了1。
第二个例子条件仍然为x>0，但是这时的y是0，那么x中小于0的值就都变成了0。
其实是有对应位置关系的，x中元素不满足条件时，取得是y中对应的元素来填充里面的值。如下所示：
a中第一个小于零的值为-1，被b中对应的值3直接填补，而-2被7填补，所以填补是有对应关系的，所以x和y必须是可广播的，否则就会报错。
标量和张量也可以组合，就如同官方的第二个示例，其中x就是张量，而y就是标量。目前有效地标量和张量的组合为：
- float型和double型
- integral型和long型
- complex型和complex 128型
而torch.where(condition)与torch.nonzero(condition, as tuple=True)相等，就是返回了其中满足条件的元素的位置，不过是以元组的形式返回的，第一个元组代表了第一个维度的位置，第二个代表第二维，一次类推，如下所示：
其中取了a中大于0的元素，返回了它们的位置，取第一个里面的为第一维，第二个里面的为第二维，即位置为(0, 0), (0, 3)…，详情请看torch.nonzero()