TensorFlow报TypeError: Tensor对象不支持元素赋值如何解决

触发TypeError: 'Tensor' object does not support item assignment的核心原因有两点：

• 若传入的是挂载在PyTorch计算图上、开启了梯度追踪的Tensor，直接通过索引原位修改元素会打断自动微分链路，PyTorch本身就禁止这类操作
• 原代码逐像素循环赋值的实现效率极低，面对高分辨率图像时运行速度会差几个数量级，本身就不符合张量运算的最佳实践

不推荐为了适配原有循环逻辑，强行将Tensor detach出计算图、或是转成numpy数组做原位赋值，这类写法不仅运行慢，还会导致后续模型训练时梯度无法正常回传。

不需要做逐像素循环赋值，直接生成和图像空间尺寸匹配的随机二值掩码，通过逐元素乘法实现像素丢弃，既可以兼容各类Tensor对象，运行效率也远高于循环写法：

import torch

def pixel_drop(image: torch.Tensor, drop_rate: float = 0.5) -> torch.Tensor:
    """
    随机像素丢弃函数
    参数:
        image: 输入图像张量，支持CHW(通道在前)和HWC(通道在后)两种格式，自动适配CPU/GPU设备
        drop_rate: 像素丢弃比例，取值范围为0~1
    """
    # 适配CHW格式（PyTorch模型常用输入格式）
    if image.ndim == 3 and image.shape[0] in (1, 3, 4):
        _, img_h, img_w = image.shape
        # 生成H*W尺寸的随机掩码，自动广播到通道维度
        mask = torch.rand(img_h, img_w, device=image.device, dtype=image.dtype) > drop_rate
        return image * mask.unsqueeze(0)
    
    # 适配HWC格式（OpenCV、PIL读取后的默认格式）
    else:
        img_h, img_w, _ = image.shape
        mask = torch.rand(img_h, img_w, device=image.device, dtype=image.dtype) > drop_rate
        return image * mask.unsqueeze(-1)

可选调整：固定丢弃像素总数 #

上面的实现是按概率随机丢弃像素，实际丢弃的像素数会在期望值附近小幅浮动。如果你需要严格保证丢弃的像素总数刚好等于总像素数*drop_rate，只需要把掩码生成部分替换为如下代码即可：

pixel_count = img_h * img_w
drop_num = int(pixel_count * drop_rate)
# 生成固定数量0值的掩码，再随机打乱位置
mask = torch.ones(pixel_count, device=image.device, dtype=image.dtype)
mask[:drop_num] = 0
mask = mask[torch.randperm(pixel_count)].reshape(img_h, img_w)

内容的提问来源于stack exchange，提问作者ChilliMayoo