一、了解Variable

顧名思義，Variable就是 變量 的意思。實(shí)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(lái)說(shuō)，在pytorch中的Variable就是一個(gè)存放會(huì)變化值的地理位置，里面的值會(huì)不停發(fā)生片花，就像一個(gè)裝雞蛋的籃子，雞蛋數(shù)會(huì)不斷發(fā)生變化。那誰(shuí)是里面的雞蛋呢，自然就是pytorch中的tensor了。（也就是說(shuō)，pytorch都是有tensor計(jì)算的，而tensor里面的參數(shù)都是Variable的形式）。如果用Variable計(jì)算的話(huà)，那返回的也是一個(gè)同類(lèi)型的Variable。

【tensor 是一個(gè)多維矩陣】

用一個(gè)例子說(shuō)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(jì)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(jì)算時(shí)，它會(huì)逐漸地生成計(jì)算圖。這個(gè)圖就是將所有的計(jì)算節(jié)點(diǎn)都連接起來(lái)，最后進(jìn)行誤差反向傳遞的時(shí)候，一次性將所有Variable里面的梯度都計(jì)算出來(lái)，而tensor就沒(méi)有這個(gè)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(huì)輸出Variable形式的數(shù)據(jù)，在很多時(shí)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(jì)算圖的特點(diǎn)總結(jié)如下：

autograd根據(jù)用戶(hù)對(duì)Variable的操作來(lái)構(gòu)建其計(jì)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(gè)節(jié)點(diǎn)的requires_grad為T(mén)rue，那么所有依賴(lài)它的節(jié)點(diǎn)requires_grad都為T(mén)rue。

2、volatile

variable的volatile屬性默認(rèn)為False，如果某一個(gè)variable的volatile屬性被設(shè)為T(mén)rue，那么所有依賴(lài)它的節(jié)點(diǎn)volatile屬性都為T(mén)rue。volatile屬性為T(mén)rue的節(jié)點(diǎn)不會(huì)求導(dǎo)，volatile的優(yōu)先級(jí)比requires_grad高。

3、retain_graph

多次反向傳播（多層監(jiān)督）時(shí)，梯度是累加的。一般來(lái)說(shuō)，單次反向傳播后，計(jì)算圖會(huì)free掉，也就是反向傳播的中間緩存會(huì)被清空【這就是動(dòng)態(tài)度的特點(diǎn)】。為進(jìn)行多次反向傳播需指定retain_graph=True來(lái)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?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。