pytorch 将x按阈值条件进行变换/裁剪/映射
0. 场景
在进行深度学习模型裁剪时，一个很显然的需求是将小于某个阈值的值全都设置为0，比如设置成阈值为0.5， 也即x[x<=0.5] = 0
借助mask，很容易实现上述的需求，但推广起来，比如将对应位置设置为对应的fun,也即x[x<=0.5] = f1(x), x[x<=1.0 and x>0.5] = f2(x) 设计起来可能就没那么容易了。
我们便遇到一个场景，要对不同的x实现不同的放缩，即x[x<=0.5] = w1 * x, x[x<=1.0 and x>0.5] = w2 * x, ...
1. 方法
首先需要将x的值进行映射，即将x映射到对应的id上，然后通过索引的方式找到对应的weight值，最后再相乘即可，下面是具体的代码实现：
def magic_func(x):
k = [1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0, 8.0, 9.0, 10.0, 11.0, 12.0, 13.0, 14.0, 15.0, 16.0]
k = torch.tensor(k)
idx = torch.tensor(x+8, dtype=torch.long)
idx = torch.clamp(idx, min=0, max=15)
weight_k = k[idx]
y = weight_k.mul(x)
return y
通过这种方法，可以将x在[-8, -7]区间的置为1x，[-7, -6]的区间的置为2x。