一、了解Variable

顧名思義，Variable就是 變量 的意思。實質(zhì)上也就是可以變化的量，區(qū)別于int變量，它是一種可以變化的變量，這正好就符合了反向傳播，參數(shù)更新的屬性。

具體來說，在pytorch中的Variable就是一個存放會變化值的地理位置，里面的值會不停發(fā)生片花，就像一個裝雞蛋的籃子，雞蛋數(shù)會不斷發(fā)生變化。那誰是里面的雞蛋呢，自然就是pytorch中的tensor了。（也就是說，pytorch都是有tensor計算的，而tensor里面的參數(shù)都是Variable的形式）。如果用Variable計算的話，那返回的也是一個同類型的Variable。

【tensor 是一個多維矩陣】

用一個例子說明，Variable的定義：

import torch
from torch.autograd import Variable # torch 中 Variable 模塊
tensor = torch.FloatTensor([[1,2],[3,4]])
# 把雞蛋放到籃子里, requires_grad是參不參與誤差反向傳播, 要不要計算梯度
variable = Variable(tensor, requires_grad=True)
 
print(tensor)
"""
 1 2
 3 4
[torch.FloatTensor of size 2x2]
"""
 
print(variable)
"""
Variable containing:
 1 2
 3 4
[torch.FloatTensor of size 2x2]
"""

注：tensor不能反向傳播，variable可以反向傳播。

二、Variable求梯度

Variable計算時，它會逐漸地生成計算圖。這個圖就是將所有的計算節(jié)點都連接起來，最后進(jìn)行誤差反向傳遞的時候，一次性將所有Variable里面的梯度都計算出來，而tensor就沒有這個能力。

v_out.backward() # 模擬 v_out 的誤差反向傳遞

print(variable.grad) # 初始 Variable 的梯度
'''
 0.5000 1.0000
 1.5000 2.0000
'''

三、獲取Variable里面的數(shù)據(jù)

直接print(Variable) 只會輸出Variable形式的數(shù)據(jù)，在很多時候是用不了的。所以需要轉(zhuǎn)換一下，將其變成tensor形式。

print(variable)  # Variable 形式
"""
Variable containing:
 1 2
 3 4
[torch.FloatTensor of size 2x2]
"""
 
print(variable.data) # 將variable形式轉(zhuǎn)為tensor 形式
"""
 1 2
 3 4
[torch.FloatTensor of size 2x2]
"""
 
print(variable.data.numpy()) # numpy 形式
"""
[[ 1. 2.]
 [ 3. 4.]]
"""

擴(kuò)展

在PyTorch中計算圖的特點總結(jié)如下：

autograd根據(jù)用戶對Variable的操作來構(gòu)建其計算圖。

1、requires_grad

variable默認(rèn)是不需要被求導(dǎo)的，即requires_grad屬性默認(rèn)為False，如果某一個節(jié)點的requires_grad為True，那么所有依賴它的節(jié)點requires_grad都為True。

2、volatile

variable的volatile屬性默認(rèn)為False，如果某一個variable的volatile屬性被設(shè)為True，那么所有依賴它的節(jié)點volatile屬性都為True。volatile屬性為True的節(jié)點不會求導(dǎo)，volatile的優(yōu)先級比requires_grad高。

3、retain_graph

多次反向傳播（多層監(jiān)督）時，梯度是累加的。一般來說，單次反向傳播后，計算圖會free掉，也就是反向傳播的中間緩存會被清空【這就是動態(tài)度的特點】。為進(jìn)行多次反向傳播需指定retain_graph=True來保存這些緩存。

4、backward()

反向傳播，求解Variable的梯度。放在中間緩存中。

以上這篇PyTorch中的Variable變量詳解就是小編分享給大家的全部內(nèi)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