1. 基本知识

基本的原理知识如下：

1. 输入张量和掩码：
   masked_fill 接受两个主要参数：一个输入张量和一个布尔掩码
   掩码的形状必须与输入张量相同，True 表示需要填充的位置，False 表示保持原值

2. 掩码操作：
   在执行 masked_fill 操作时，函数会检查掩码中每个元素的值
   如果掩码对应的位置为 True，则在输出张量中填充指定的值；
   如果为 False，则保留输入张量中对应位置的值

3. 输出结果：
   最终生成的新张量包含了在掩码位置上被替换的值，其余位置保持原样

---

在代码逻辑上：

1. 创建掩码：
   mask 是一个布尔张量，标识了哪些位置需要填充：

[[False, True, False],
 [True, False, True],
 [False, False, True]]

2. 执行 masked_fill：
   当调用 tensor.masked_fill(mask, -1) 时，PyTorch 会遍历掩码中的每个元素：对于 mask 中的每个 True 值，tensor 在对应位置的值会被替换为 -1，对于 False 值，保持原值不变

masked_fill 操作是基于 C/C++ 的实现，因此在处理大规模数据时性能较高。常用于深度学习模型中的数据预处理，比如在填充序列、处理缺失值或标记特定条件的数据时

2. Demo

Demo 1: 基本用法

import torch

# 创建一个 3x3 的张量
tensor = torch.tensor([[1, 2, 3],
                       [4, 5, 6],
                       [7, 8, 9]])

# 创建一个掩码，标记要填充的位置
mask = torch.tensor([[False, True, False],
                     [True, False, True],
                     [False, False, True]])

# 使用 masked_fill 填充掩码位置为 -1
result = tensor.masked_fill(mask, -1)

print("原始张量:")
print(tensor)
print("\n填充后的张量:")
print(result)

截图如下：

Demo 2: 与条件结合使用

import torch

# 创建一个随机张量
tensor = torch.randn(3, 3)

# 创建掩码：标记负值的位置
mask = tensor < 0

# 将负值位置填充为 0
result = tensor.masked_fill(mask, 0)

print("原始张量:")
print(tensor)
print("\n填充后的张量 (负值填充为 0):")
print(result)

截图如下：

Demo 3: 结合计算

import torch

# 创建一个张量
tensor = torch.tensor([[10, 20, 30],
                       [40, 50, 60],
                       [70, 80, 90]])

# 创建掩码：标记大于 50 的位置
mask = tensor > 50

# 用 999 填充大于 50 的位置
result = tensor.masked_fill(mask, 999)

print("原始张量:")
print(tensor)
print("\n填充后的张量 (大于 50 的位置填充为 999):")
print(result)

截图如下：