要将文档中的grad_fn=<UnbindBackward0等字母部分删除，只保留向量，你可以使用正则表达式来进行匹配和替换。下面是一个示例代码，演示了如何使用Python中的re模块来实现：

import re

document = "some_text grad_fn=<UnbindBackward0 some_more_text"
vector_only = re.sub(r'[a-zA-Z_]+\s*=\s*<\w+>', '', document)

print(vector_only)

在上述代码中，我们使用了re.sub()函数来将匹配到的字母部分替换为空字符串，从而删除它们。正则表达式[a-zA-Z_]+\s*=\s*<\w+>用于匹配类似"grad_fn="这样的字母部分。

运行上述代码将输出结果为："some_text some_more_text"，即已经成功删除了grad_fn=等字母部分。

请注意，这只是一个简单的示例，如果你的文档中还有其他形式的字母部分，可能需要根据具体情况修改正则表达式以适应不同的模式。同时，如果你处理的文档较大或复杂，你可能需要进一步调整代码以提高效率或处理特殊情况。

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。