PyTorch多层掩码下Tensor赋值失效问题及简便方案咨询

你判断的原因完全正确：x[mask]返回的是原张量的副本而非视图，所以x[mask][second_mask] = 100这种连续索引赋值只会修改临时副本，原张量不会产生任何变化。

下面是两种更简洁的实现方式，无需创建临时张量再回写：

方法1：合并布尔掩码 #

先基于原掩码生成最终的布尔掩码，直接对原张量赋值：

import torch

x = torch.linspace(1,9,9).reshape((3,3))
mask = x > 5
# 实际场景中的布尔型second_mask示例
second_mask = torch.tensor([True, False, True])

# 生成最终掩码：仅保留mask中被second_mask选中的位置
final_mask = mask.clone()
final_mask[mask] = second_mask

# 直接赋值
x[final_mask] = 100
print(x)

方法2：通过索引筛选赋值 #

先提取原掩码对应的非零索引，再用second_mask筛选出目标索引，直接对原张量的指定位置赋值：

import torch

x = torch.linspace(1,9,9).reshape((3,3))
mask = x > 5
second_mask = torch.tensor([True, False, True])

# 获取mask对应的所有索引（元组形式，对应每个维度的索引）
mask_indices = torch.nonzero(mask, as_tuple=True)
# 用second_mask筛选出需要修改的索引
target_indices = tuple(idx[second_mask] for idx in mask_indices)

# 直接赋值
x[target_indices] = 100
print(x)

两种方法都能直接修改原张量，避免了临时张量的来回赋值操作，其中方法1更适合布尔掩码的场景，代码可读性更高；方法2在需要更灵活处理索引时会更实用。

内容的提问来源于stack exchange，提问作者xh c