Pytorch之Variable的用法

更新時(shí)間：2019年12月31日 09:44:26 作者：嘖嘖嘖biubiu

今天小編就為大家分享一篇Pytorch之Variable的用法，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧

1.簡(jiǎn)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(guān)實(shí)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(yīng)該放在籃子里才能方便拿走（定義variable時(shí)一個(gè)參數(shù)就是tensor）

Variable這個(gè)籃子里除了裝了tensor外還有requires_grad參數(shù)，表示是否需要對(duì)其求導(dǎo)，默認(rèn)為False

Variable這個(gè)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(duì)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(duì)variable的梯度值

比如grad_fn，對(duì)于用戶自己創(chuàng)建的變量（Variable()）grad_fn是為none的，也就是不能調(diào)用backward函數(shù)，但對(duì)于由計(jì)算生成的變量，如果存在一個(gè)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(gè)就很簡(jiǎn)單，這個(gè)屬性就是裝的雞蛋（tensor）

Varibale包含三個(gè)屬性：

data：存儲(chǔ)了Tensor，是本體的數(shù)據(jù) grad：保存了data的梯度，本事是個(gè)Variable而非Tensor，與data形狀一致 grad_fn：指向Function對(duì)象，用于反向傳播的梯度計(jì)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(duì)前面的變量（x）的梯度
print(x.grad) # d(y)/d(x)

輸出1

none

(因?yàn)閞equires_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(duì)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(duì)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(bào)錯(cuò)了，因?yàn)樯勺兞縴的中間變量只有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(duì)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(huì)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?jī)?nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。

您可能感興趣的文章: