1.簡介

torch.autograd.Variable是Autograd的核心類，它封裝了Tensor，并整合了反向傳播的相關實現(xiàn)

Variable和tensor的區(qū)別和聯(lián)系

Variable是籃子，而tensor是雞蛋，雞蛋應該放在籃子里才能方便拿走（定義variable時一個參數(shù)就是tensor）

Variable這個籃子里除了裝了tensor外還有requires_grad參數(shù)，表示是否需要對其求導，默認為False

Variable這個籃子呢，自身有一些屬性

比如grad，梯度variable.grad是d(y)/d(variable)保存的是變量y對variable變量的梯度值，如果requires_grad參數(shù)為False，所以variable.grad返回值為None，如果為True，返回值就為對variable的梯度值

比如grad_fn，對于用戶自己創(chuàng)建的變量（Variable()）grad_fn是為none的，也就是不能調用backward函數(shù)，但對于由計算生成的變量，如果存在一個生成中間變量的requires_grad為true，那其的grad_fn不為none，反則為none

比如data，這個就很簡單，這個屬性就是裝的雞蛋（tensor）

Varibale包含三個屬性：

data：存儲了Tensor，是本體的數(shù)據(jù) grad：保存了data的梯度，本事是個Variable而非Tensor，與data形狀一致 grad_fn：指向Function對象，用于反向傳播的梯度計算之用

代碼1

import numpy as np
import torch
from torch.autograd import Variable
 
x = Variable(torch.ones(2,2),requires_grad = False)
temp = Variable(torch.zeros(2,2),requires_grad = True)
 
y = x + temp + 2
y = y.mean() #求平均數(shù)
 
y.backward() #反向傳遞函數(shù)，用于求y對前面的變量（x）的梯度
print(x.grad) # d(y)/d(x)

輸出1

none

(因為requires_grad=False)

代碼2

import numpy as np
import torch
from torch.autograd import Variable
 
x = Variable(torch.ones(2,2),requires_grad = False)
temp = Variable(torch.zeros(2,2),requires_grad = True)
 
 
y = x + temp + 2
y = y.mean() #求平均數(shù)
 
y.backward() #反向傳遞函數(shù)，用于求y對前面的變量（x）的梯度
print(temp.grad) # d(y)/d(temp)

輸出2

tensor([[0.2500, 0.2500],
[0.2500, 0.2500]])

代碼3

import numpy as np
import torch
from torch.autograd import Variable
 
x = Variable(torch.ones(2,2),requires_grad = False)
temp = Variable(torch.zeros(2,2),requires_grad = True)
 
 
y = x + 2
y = y.mean() #求平均數(shù)
 
y.backward() #反向傳遞函數(shù)，用于求y對前面的變量（x）的梯度
print(x.grad) # d(y)/d(x)

輸出3

Traceback (most recent call last):
File "path", line 12, in <module>
y.backward()

(報錯了，因為生成變量y的中間變量只有x，而x的requires_grad是False，所以y的grad_fn是none)

代碼4

import numpy as np
import torch
from torch.autograd import Variable
 
x = Variable(torch.ones(2,2),requires_grad = False)
temp = Variable(torch.zeros(2,2),requires_grad = True)
 
 
y = x + 2
y = y.mean() #求平均數(shù)
 
#y.backward() #反向傳遞函數(shù)，用于求y對前面的變量（x）的梯度
print(y.grad_fn) # d(y)/d(x)

輸出4

none

2.grad屬性

在每次backward后，grad值是會累加的，所以利用BP算法，每次迭代是需要將grad清零的。

x.grad.data.zero_()

(in-place操作需要加上_，即zero_)

以上這篇Pytorch之Variable的用法就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支持腳本之家。

最新評論