在使用numpy数组和pytorchTensor进行实验时，我发现了一个不同之处，那就是试图对依赖于先前时间步长的时间序列“施魔法”
numpy-esque库的一个关键特性是，它们通常不复制数据，而是在不同的视图中操作数据。在numpy中，最有趣的工具之一是使用stride_tricks的函数。
作为一个更简单的问题，我试图做一个“inplace cumsum”，但我偶然发现numpy不会出错的事实和一个看似等效的pytorch代码。我并不需要一个inplace cumsum实现，而是需要使用inbroadcast计算数据的inplace broadcast操作。
所以我的问题是我怎样才能强迫pytorch允许求和？;我怎么才能让numpy不复制我的数据并对它求和？

import numpy as np
# array = np.arange(6.)
array = np.arange(6.).reshape(2,3) + 3
# array([[3., 4., 5.],
#       [6., 7., 8.]])
s = np.lib.stride_tricks.as_strided(array, shape=(1,3)) # array([[3., 4., 5.]])
array += s
array
# array([[ 6.,  8., 10.],
#        [ 9., 11., 13.]])

import torch
t = torch.arange(6.).reshape(2,3) + 3
# tensor([[3., 4., 5.],
        # [6., 7., 8.]])
s = t.as_strided(size=(1,3),stride=(1,1)) # tensor([[3., 4., 5.]])
t += s
t
# RuntimeError                              Traceback (most recent call last)
#       3 # tensor([[3., 4., 5.],
#       4         # [6., 7., 8.]])
#       5 s = t.as_strided(size=(1,3),stride=(1,1)) # tensor([[3., 4., 5.]])
# ----> 6 t += s
#       7 t

# RuntimeError: unsupported operation: some elements of the input tensor and the written-to tensor refer to a single memory location. Please clone() the tensor before performing the operation.

期望：

#sum the first row to itself inplace
#sum the 2nd row with the inplace modified 1st row
array([[6., 8., 10.],
      [12., 15., 18.]])