---

PyTorch masked_fill_() vs. masked_fill() 详解

在 PyTorch 中，masked_fill_() 和 masked_fill() 主要用于 根据掩码（mask）填充张量（tensor）中的特定元素，但它们的关键区别在于 是否修改原张量（in-place 操作）。

---

1️⃣ masked_fill() 和 masked_fill_() 的作用

• masked_fill(mask, value)
  • 不会修改原张量，而是返回一个新的张量。
• masked_fill_(mask, value)
  • 会直接修改原张量（in-place 操作），节省内存。

两者的作用：

• mask 是一个 布尔张量（True 代表需要填充的元素）。
• value 是要填充的数值。

---

2️⃣ masked_fill() vs. masked_fill_() 示例

import torch

# 创建一个 3×3 的张量
tensor = torch.tensor([
    [1, 2, 3],
    [4, 5, 6],
    [7, 8, 9]
])

# 创建一个掩码：True 代表要被替换的元素
mask = torch.tensor([
    [False, True, False],
    [True, False, False],
    [False, False, True]
])

print("原张量 tensor：\n", tensor)

# 使用 masked_fill()（不会修改原张量）
new_tensor = tensor.masked_fill(mask, -1)
print("\n新张量 new_tensor（使用 masked_fill()）：\n", new_tensor)
print("\n原张量 tensor（未修改）：\n", tensor)

# 使用 masked_fill_()（会修改原张量）
tensor.masked_fill_(mask, -1)
print("\n原张量 tensor（被修改）：\n", tensor)

---

3️⃣ 输出结果

原张量 tensor：
tensor([[1, 2, 3],
        [4, 5, 6],
        [7, 8, 9]])

新张量 new_tensor（使用 masked_fill()）：
tensor([[ 1, -1,  3],
        [-1,  5,  6],
        [ 7,  8, -1]])

原张量 tensor（未修改）：
tensor([[1, 2, 3],
        [4, 5, 6],
        [7, 8, 9]])

原张量 tensor（被修改）：
tensor([[ 1, -1,  3],
        [-1,  5,  6],
        [ 7,  8, -1]])

---

4️⃣ masked_fill() vs. masked_fill_() 区别

函数	是否修改原张量？	返回值
masked_fill(mask, value)	❌ 不修改	返回新的张量
masked_fill_(mask, value)	✅ 直接修改	修改后的原张量

总结

• 如果你希望创建一个新张量，而不修改原数据，用 masked_fill()。
• 如果你希望节省内存并直接修改原张量，用 masked_fill_()。

---

5️⃣ masked_fill() 和 masked_fill_() 的实际应用

在 自然语言处理（NLP） 和 深度学习模型 中，这两个函数经常用于 掩码（masking）操作，例如：

• 屏蔽填充（Padding Mask）：防止模型处理填充的 PAD 词（如 Transformer）。
• 屏蔽未来信息（Future Mask）：用于自回归模型（如 GPT），确保预测不会使用未来的信息。

---

6️⃣ masked_fill() 在 Transformer 自注意力中的应用

import torch

# 假设有一个 4×4 的注意力得分矩阵
attn_scores = torch.tensor([
    [0.5, 0.7, 0.8, 0.9],
    [0.6, 0.5, 0.4, 0.8],
    [0.2, 0.4, 0.5, 0.7],
    [0.3, 0.5, 0.6, 0.8]
])

# 创建一个掩码（模拟未来时间步的屏蔽）
mask = torch.tensor([
    [False, False, False, True],
    [False, False, True, True],
    [False, True, True, True],
    [True, True, True, True]
])

# 用 -inf 屏蔽掩码位置
masked_scores = attn_scores.masked_fill(mask, float('-inf'))
print("\n注意力得分（masked_fill()）：\n", masked_scores)

示例输出：

注意力得分（masked_fill()）：
tensor([[ 0.5000,  0.7000,  0.8000,    -inf],
        [ 0.6000,  0.5000,    -inf,    -inf],
        [ 0.2000,    -inf,    -inf,    -inf],
        [   -inf,    -inf,    -inf,    -inf]])

📌 解释：

• False 的位置保留原始数值。
• True 的位置填充 -inf，在 softmax 计算时会被归零，不影响其他数值。

---

7️⃣ masked_fill_() 在梯度计算中的应用

在 PyTorch 训练过程中，如果你想直接修改梯度计算中的变量，可以使用 masked_fill_() 进行 in-place 操作。

import torch

# 创建一个需要计算梯度的张量
x = torch.tensor([0.1, 0.2, 0.3, 0.4], requires_grad=True)

# 创建掩码
mask = torch.tensor([False, True, False, True])

# 直接修改 x
x.masked_fill_(mask, 0.0)

print("\n被修改后的 x（masked_fill_()）：\n", x)

示例输出：

被修改后的 x（masked_fill_()）：
tensor([0.1000, 0.0000, 0.3000, 0.0000], requires_grad=True)

📌 解释

• 通过 masked_fill_() 直接在计算图中修改 x，避免创建新张量。

---

8️⃣ 总结

• masked_fill() 和 masked_fill_() 都用于按掩码填充张量中的特定元素。
• 主要区别：
  • masked_fill() 不修改原张量，返回新的张量。
  • masked_fill_() 直接修改原张量（in-place 操作）。
• 适用场景：
  • masked_fill()：适用于需要 保持原张量不变 的情况，如 Transformer 掩码处理。
  • masked_fill_()：适用于需要 节省内存 并 直接修改张量 的情况，如 梯度计算。

---

💡 实际应用

场景	推荐使用
创建新张量，不修改原数据	masked_fill()
直接修改原数据，减少内存占用	masked_fill_()
Transformer 自注意力掩码	masked_fill()
梯度计算，避免额外的计算图创建	masked_fill_()

🚀 合理使用 masked_fill() 和 masked_fill_()，可以优化你的 PyTorch 代码，提高计算效率！ 🎯