别担心，PyTorch完全可以实现和你这段Numpy代码一样简洁的逻辑，甚至写法非常贴近！

先回顾一下你给出的Numpy代码：

import numpy as np
D = 5  # 替换成你的实际维度
L_1 = np.tril(np.random.normal(scale=1., size=(D, D)), k=0)
L_1[np.diag_indices_from(L_1)] = np.exp(np.diagonal(L_1))

对应的PyTorch等效实现如下：

import torch
D = 5  # 替换成你的实际维度
# 生成下三角正态分布张量，torch.tril默认k=0，可省略
L_1 = torch.tril(torch.randn((D, D)))
# 替换对角线元素为其指数值
L_1[torch.arange(D), torch.arange(D)] = torch.exp(torch.diagonal(L_1))

关键细节解释： #

• 下三角矩阵生成：PyTorch的torch.tril和Numpy的np.tril参数几乎一致，k=0是默认值，所以可以直接省略不写；torch.randn默认生成均值为0、标准差为1的正态分布张量，和np.random.normal(scale=1.)效果完全相同，要是需要调整标准差，直接乘以对应数值即可（比如torch.randn((D,D)) * 2.）。
• 对角线元素替换：PyTorch里用torch.arange(D)生成索引序列，(torch.arange(D), torch.arange(D))就精准定位了矩阵的对角线位置，作用和Numpy的np.diag_indices_from完全一致；torch.diagonal也能直接提取张量的对角线元素，用法和np.diagonal一致。

如果你偏好另一种写法，也可以通过对角矩阵加减来实现：

# 备选实现方式
diag_exp = torch.exp(torch.diagonal(L_1))
L_1 = L_1 - torch.diag(torch.diagonal(L_1)) + torch.diag(diag_exp)

不过第一种索引替换的方式更简洁，和你原Numpy代码的逻辑对齐度最高。

内容的提问来源于stack exchange，提问作者azal