一次替换张量中的多个值的推荐方法？
Recommended way to replace several values in a tensor at once?
是否有一种批量方法可以在没有 for 循环的情况下一次替换 pytorch 张量中的几个特定值？
示例：
old_values = torch.Tensor([1, 2, 3, 4, 5, 5, 2, 3, 3, 2])
old_new_value = [[2,22], [3,33], [6, 66]]
old_new_value = [[2,22], [3,33], [6, 66]]，意思是2应该换成22，3应该换成33，6换成66
我可以有一个有效的方法来实现以下end_result吗？
end_result = torch.Tensor([1, 22, 33, 4, 5, 5, 22, 33, 33, 22])
请注意 old_values 不是唯一的。此外，old_new_value 中可能有一对 old_values 中不存在的对 (6, 66)。
此外，old_new_values 包含唯一行，
如果您的输入张量中没有任何重复元素，这是使用 掩码 和使用 基本索引[=23= 赋值的一种简单方法]. （我假设输入张量的数据类型是 int。但是，您可以直接将此代码改编为其他 dtype）。下面是一个可复制的插图，解释散布在行内注释中。
# input tensors to work with
In [75]: old_values
Out[75]: tensor([1, 2, 3, 4, 5], dtype=torch.int32)
In [77]: old_new_value
Out[77]:
tensor([[ 2, 22],
[ 3, 33]], dtype=torch.int32)
# generate a boolean mask using the values that need to be replaced (i.e. 2 & 3)
In [78]: boolean_mask = (old_values == old_new_value[:, :1]).sum(dim=0).bool()
In [79]: boolean_mask
Out[79]: tensor([False, True, True, False, False])
# assign the new values by basic indexing
In [80]: old_values[boolean_mask] = old_new_value[:, 1:].squeeze()
# sanity check!
In [81]: old_values
Out[81]: tensor([ 1, 22, 33, 4, 5], dtype=torch.int32)
效率小记：整个过程中，我们没有对数据进行任何拷贝（即我们只对新的视图进行操作 通过根据我们的需要按摩形状）。因此，运行时间将非常快。
不确定是否还有人关心这个问题，但以防万一，这里有一个在 old_values 不唯一时也有效的解决方案：
mask = old_values == old_new_value[:, :1]
new_values = (1 - mask.sum(dim=0)) * old_values + (mask * old_new_value[:,1:]).sum(dim=0)
掩码的工作方式与@kmario23 的解决方案相同，但掩码会与新值相乘，然后求和以在所有正确的替换位置以新值结束。负掩码应用于旧值以在所有其他位置使用旧值。然后将两个掩码张量相加以获得所需的结果。
是否有一种批量方法可以在没有 for 循环的情况下一次替换 pytorch 张量中的几个特定值？
示例：
old_values = torch.Tensor([1, 2, 3, 4, 5, 5, 2, 3, 3, 2])
old_new_value = [[2,22], [3,33], [6, 66]]
old_new_value = [[2,22], [3,33], [6, 66]]，意思是2应该换成22，3应该换成33，6换成66
我可以有一个有效的方法来实现以下end_result吗？
end_result = torch.Tensor([1, 22, 33, 4, 5, 5, 22, 33, 33, 22])
请注意 old_values 不是唯一的。此外，old_new_value 中可能有一对 old_values 中不存在的对 (6, 66)。
此外，old_new_values 包含唯一行，
如果您的输入张量中没有任何重复元素，这是使用 掩码 和使用 基本索引[=23= 赋值的一种简单方法]. （我假设输入张量的数据类型是 int。但是，您可以直接将此代码改编为其他 dtype）。下面是一个可复制的插图，解释散布在行内注释中。
# input tensors to work with
In [75]: old_values
Out[75]: tensor([1, 2, 3, 4, 5], dtype=torch.int32)
In [77]: old_new_value
Out[77]:
tensor([[ 2, 22],
[ 3, 33]], dtype=torch.int32)
# generate a boolean mask using the values that need to be replaced (i.e. 2 & 3)
In [78]: boolean_mask = (old_values == old_new_value[:, :1]).sum(dim=0).bool()
In [79]: boolean_mask
Out[79]: tensor([False, True, True, False, False])
# assign the new values by basic indexing
In [80]: old_values[boolean_mask] = old_new_value[:, 1:].squeeze()
# sanity check!
In [81]: old_values
Out[81]: tensor([ 1, 22, 33, 4, 5], dtype=torch.int32)
效率小记：整个过程中，我们没有对数据进行任何拷贝（即我们只对新的视图进行操作 通过根据我们的需要按摩形状）。因此，运行时间将非常快。
不确定是否还有人关心这个问题，但以防万一，这里有一个在 old_values 不唯一时也有效的解决方案：
mask = old_values == old_new_value[:, :1]
new_values = (1 - mask.sum(dim=0)) * old_values + (mask * old_new_value[:,1:]).sum(dim=0)
掩码的工作方式与@kmario23 的解决方案相同，但掩码会与新值相乘，然后求和以在所有正确的替换位置以新值结束。负掩码应用于旧值以在所有其他位置使用旧值。然后将两个掩码张量相加以获得所需的结果。