pytorch学习笔记2--Variable变量

最新推荐文章于 2023-12-08 15:41:11 发布

一只小铁柱

最新推荐文章于 2023-12-08 15:41:11 发布

阅读量473

点赞数

CC 4.0 BY-SA版权

分类专栏： pytorch

本文链接：https://blog.youkuaiyun.com/beautiful77moon/article/details/99672648

pytorch 专栏收录该内容

17 篇文章

订阅专栏

本文深入探讨了PyTorch中的Variable概念，解释了其作为存放可变值的载体的作用，以及如何通过Variable进行数学计算并参与误差反向传播。同时，文章详细介绍了Variable与Tensor的区别，以及如何从Variable中获取数据。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一、Variable是什么？

在torch中的Variable就是一个存放会变化的值的地理位置，里面的值会不断的变化。就像是一个装鸡蛋的篮子，里面的鸡蛋数会不停变动。就是torch里面的tensor会不断的变化，如果用Variable进行计算，那么返回的也是同一类型的Variable。

import torch
from torch.autograd import Variable

#鸡蛋
tensor=torch.FloatTensor([[1,2],[3,4]])
#将鸡蛋放进篮子，requries_grad是参与不参与误差反向传播，要不要计算梯度
variable=Variable(tensor,requires_grad=True) #variable中包含着tensor的值，variable不是tensor
print(tensor)
print(variable)

运行结果：

tensor([[1., 2.],
        [3., 4.]])
tensor([[1., 2.],
        [3., 4.]], requires_grad=True)

如果variable=Variable(tensor)或者将requires_grad设置为False，即不参与误差反向传播，那么运行结果variable和tensor是一样的。

二、Variable 计算，梯度

对比一下tensor和Variable中的计算有什么区别

#tensor和Variable的数学运算对比
t_mean=torch.mean(tensor*tensor)   #tensor*tensor=tensor^2
v_mean=torch.mean(variable*variable)
print(t_mean)
print(v_mean)

运行结果:

tensor(7.5000)
tensor(7.5000, grad_fn=<MeanBackward0>)

tensor和Variable中的数学计算看不出很大的区别。但是Variable计算时，它在后面一步步默默地搭建着一个庞大的系统，叫做计算图(computational graph)。这个图是用来将所有的计算步骤（节点）都连接起来，最后进行误差反向传播的时候，一次性将所有variable里面的梯度都计算出来，而tensor就没有这种能力了。

v_mean=torch.mean(variable*variable)就是在计算图（computational graph）中添加的一个计算步骤。

计算梯度

#计算梯度
v_mean.backward()   #模拟v_mean的误差反向传播
#Variable是计算图中的一部分，可以用来传递误差。
#前面步骤中的v_mean=torch.mean(variable*variable)就是  v_mean=1/4*sum(variable^2)
#v_mean的梯度就是：d(v_mean)/d(variable)=1/4*2*variable=1/2*variable，就是v_mean对variable求导数的过程
v_grad=variable.grad   #初始Variable的梯度
print(v_grad)   #初始Variable的梯度

运行结果：

tensor([[0.5000, 1.0000],
        [1.5000, 2.0000]])

三、获取Variable中的数据

Variable中装着tensor数据，如果print(variable)会输出Variable形式的数据，在很多时候是用不了的(比如用matplotlib画图的时候),所以需要转化。

#获取variable中的数据
print(variable)              #Variable形式
print(variable.data)         #tensor形式
print(variable.data.numpy()) #numpy形式，Variable形式是无法直接转换为numpy的

运行结果：

tensor([[1., 2.],
        [3., 4.]], requires_grad=True)
tensor([[1., 2.],
        [3., 4.]])
[[1. 2.]
 [3. 4.]]

忽略上边的梯度计算部分，如果数据不参与误差反向传播，也就是刚开始的时候variable=Variable(tensor[,requires_grad=False])，则输出的variable也是tensor数据，就可以直接使用variable.numpy()，无需variable.data.numpy。因为Variable中之后tensor数据，没设置别的属性，所以说可以这么用。

但是为了防止代码出现错误，最好还是使用variable.data.numpy()的形式。