pytorch更新完后合并了Variable與Tensor
torch.Tensor()能像Variable一樣進(jìn)行反向傳播的更新，返回值為Tensor
Variable自動創(chuàng)建tensor，且返回值為Tensor，（所以以后不需要再用Variable）
Tensor創(chuàng)建后,默認(rèn)requires_grad=Flase
可以通過xxx.requires_grad_()將默認(rèn)的Flase修改為True
下面附代碼及官方文檔代碼：
import torch
from torch.autograd import Variable #使用Variabl必須調(diào)用庫
lis=torch.range(1,6).reshape((-1,3))#創(chuàng)建1~6 形狀
#行不指定（-1意為由計算機自己計算）列為3的floattensor矩陣
print(lis)
print(lis.requires_grad) #查看默認(rèn)的requires_grad是否是Flase
lis.requires_grad_() #使用.requires_grad_()修改默認(rèn)requires_grad為true
print(lis.requires_grad)
結(jié)果如下：
tensor([[1., 2., 3.],
[4., 5., 6.]])
False
True
創(chuàng)建一個Variable，Variable必須接收Tensor數(shù)據(jù) 不能直接寫為 a=Variable(range(6)).reshape((-1,3))
否則報錯 Variable data has to be a tensor, but got range
正確如下：
import torch
from torch.autograd import Variable
tensor=torch.FloatTensor(range(8)).reshape((-1,4))
my_ten=Variable(tensor)
print(my_ten)
print(my_ten.requires_grad)
my_ten.requires_grad_()
print(my_ten.requires_grad)
結(jié)果：
tensor([[0., 1., 2., 3.],
[4., 5., 6., 7.]])
False
True
由上面可以看出，Tensor完全可以取代Variable。
下面給出官方文檔：
# 默認(rèn)創(chuàng)建requires_grad = False的Tensor
x = torch . ones ( 1 ) # create a tensor with requires_grad=False (default)
x . requires_grad
# out: False
# 創(chuàng)建另一個Tensor，同樣requires_grad = False
y = torch . ones ( 1 ) # another tensor with requires_grad=False
# both inputs have requires_grad=False. so does the output
z = x + y
# 因為兩個Tensor x,y，requires_grad=False.都無法實現(xiàn)自動微分，
# 所以操作（operation）z=x+y后的z也是無法自動微分，requires_grad=False
z . requires_grad
# out: False
# then autograd won't track this computation. let's verify!
# 因而無法autograd，程序報錯
z . backward ( )
# out：程序報錯：RuntimeError: element 0 of tensors does not require grad and does not have a grad_fn
# now create a tensor with requires_grad=True
w = torch . ones ( 1 , requires_grad = True )
w . requires_grad
# out: True
# add to the previous result that has require_grad=False
# 因為total的操作中輸入Tensor w的requires_grad=True，因而操作可以進(jìn)行反向傳播和自動求導(dǎo)。
total = w + z
# the total sum now requires grad!
total . requires_grad
# out: True
# autograd can compute the gradients as well
total . backward ( )
w . grad
#out: tensor([ 1.])
# and no computation is wasted to compute gradients for x, y and z, which don't require grad
# 由于z，x，y的requires_grad=False,所以并沒有計算三者的梯度
z . grad == x . grad == y . grad == None
# True
existing_tensor . requires_grad_ ( )
existing_tensor . requires_grad
# out：True
或者直接用Tensor創(chuàng)建時給定requires_grad=True
my_tensor = torch.zeros(3,4,requires_grad = True)
my_tensor.requires_grad
# out: True
lis=torch.range(1,6,requires_grad=True).reshape((-1,3))
print(lis)
print(lis.requires_grad)
lis.requires_grad_()
print(lis.requires_grad)
結(jié)果
tensor([[1., 2., 3.],
[4., 5., 6.]], requires_grad=True)
True
True
補充：volatile 和 requires_grad在pytorch中的意思
Backward過程中排除子圖
pytorch的BP過程是由一個函數(shù)決定的，loss.backward()， 可以看到backward()函數(shù)里并沒有傳要求誰的梯度。那么我們可以大膽猜測，在BP的過程中，pytorch是將所有影響loss的Variable都求了一次梯度。
但是有時候，我們并不想求所有Variable的梯度。那就要考慮如何在Backward過程中排除子圖（ie.排除沒必要的梯度計算）。
如何BP過程中排除子圖？ Variable的兩個參數(shù)（requires_grad和volatile）
requires_grad=True 要求梯度
requires_grad=False 不要求梯度
volatile=True相當(dāng)于requires_grad=False。反之則反之。。。。。。。ok
注意：如果a是requires_grad=True，b是requires_grad=False。則c=a+b是requires_grad=True。同樣的道理應(yīng)用于volatile
為什么要排除子圖
也許有人會問，梯度全部計算，不更新的話不就得了。
這樣就涉及了效率的問題了，計算很多沒用的梯度是浪費了很多資源的（時間，計算機內(nèi)存）
以上為個人經(jīng)驗，希望能給大家一個參考，也希望大家多多支持腳本之家。如有錯誤或未考慮完全的地方，望不吝賜教。
您可能感興趣的文章:- pytorch dataloader 取batch_size時候出現(xiàn)bug的解決方式
- pytorch的batch normalize使用詳解
- pytorch方法測試詳解——歸一化(BatchNorm2d)
- 解決pytorch下只打印tensor的數(shù)值不打印出device等信息的問題
- 淺談pytorch中stack和cat的及to_tensor的坑
- Pytorch中TensorBoard及torchsummary的使用詳解
- pytorch 帶batch的tensor類型圖像顯示操作
