利用TransH算法向量化后的文档含有一些 grad_fn=<UnbindBackward0，如何只保留向量，其他的字母都删掉呢？

在PyTorch中，每个张量（tensor）都有一个 grad_fn 属性，它记录了产生该张量的函数。如果张量是通过自动微分（autograd）机制计算出来的，则 grad_fn 属性会记录该计算过程中使用的函数。

在向量化后的文档中，出现了 grad_fn= 的字眼，这表明向量化过程中使用了自动微分机制，并且产生了梯度。如果您只需要保留向量，可以使用 detach() 方法删除梯度信息，然后使用 numpy() 方法将张量转换为 NumPy 数组，最后将数组转换为列表即可。

以下是一个简单的示例代码：

python
Copy
import torch

假设向量化后的文档张量为 doc_tensor

doc_tensor = ...

删除梯度信息并转换为 NumPy 数组

doc_array = doc_tensor.detach().numpy()

将数组转换为列表

doc_list = doc_array.tolist()

输出向量列表

print(doc_list)
在这个示例中，我们首先使用 detach() 方法删除了张量的梯度信息，然后使用 numpy() 方法将张量转换为 NumPy 数组。最后，我们将数组转换为列表并输出。

需要注意的是，如果您只需要保留向量，而不需要梯度信息，可以在向量化时将 requires_grad 参数设置为 False，以避免产生梯度信息。