PyTorch学习：Variable

最新推荐文章于 2023-09-13 07:48:52 发布

有点方

最新推荐文章于 2023-09-13 07:48:52 发布

阅读量748

点赞数

分类专栏：算法 pytorch

算法同时被 2 个专栏收录

33 篇文章

订阅专栏

pytorch

16 篇文章

订阅专栏

本文深入探讨了PyTorch中Variable与Tensor的特性与区别，Variable不仅继承了Tensor的所有功能，还增加了梯度计算能力，是构建神经网络计算图的关键组件。通过实例演示了Variable如何进行梯度计算，以及如何使用PyTorch进行基本的数学运算和绘图。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

tensor 是 PyTorch 中的完美组件，但是构建神经网络还远远不够，我们需要能够构建计算图的 tensor，这就是 Variable。Variable 是对 tensor 的封装，操作和 tensor 是一样的，但是每个 Variabel都有三个属性，Variable 中的 tensor本身`.data`，对应 tensor 的梯度`.grad`以及这个 Variable 是通过什么方式得到的`.grad_fn`

import torch
import numpy as np
# 通过下面这种方式导入 Variable
from torch.autograd import Variable
x_tensor = torch.randn(10, 5)
y_tensor = torch.randn(10, 5)
# 将 tensor 变成 Variable
x = Variable(x_tensor, requires_grad=True) # 默认 Variable 是不需要求梯度的，所以我们用这个方式申明需要对其进行求梯度
y = Variable(y_tensor, requires_grad=True)
z = torch.sum(x + y)
print(z.data)
print(z.grad_fn)

tensor(5.1091)
<SumBackward0 object at 0x7fcb7d0db860>

上面我们打出了 z 中的 tensor 数值，同时通过grad_fn知道了其是通过 Sum 这种方式得到的

# 求 x 和 y 的梯度
z.backward()
print(x.grad)
print(y.grad)

tensor([[ 1., 1., 1., 1., 1.],
        [ 1., 1., 1., 1., 1.],
        [ 1., 1., 1., 1., 1.],
        [ 1., 1., 1., 1., 1.],
        [ 1., 1., 1., 1., 1.],
        [ 1., 1., 1., 1., 1.],
        [ 1., 1., 1., 1., 1.],
        [ 1., 1., 1., 1., 1.],
        [ 1., 1., 1., 1., 1.],
        [ 1., 1., 1., 1., 1.]])
tensor([[ 1., 1., 1., 1., 1.],
        [ 1., 1., 1., 1., 1.],
        [ 1., 1., 1., 1., 1.],
        [ 1., 1., 1., 1., 1.],
        [ 1., 1., 1., 1., 1.],
        [ 1., 1., 1., 1., 1.],
        [ 1., 1., 1., 1., 1.],
        [ 1., 1., 1., 1., 1.],
        [ 1., 1., 1., 1., 1.],
        [ 1., 1., 1., 1., 1.]])

import matplotlib.pyplot as plt
x = np.arange(-3, 3.01, 0.1)
y = x ** 2
plt.plot(x, y)
plt.plot(2, 4, 'ro')
plt.show()

# 答案
x = Variable(torch.FloatTensor([2]), requires_grad=True)
# print("x:",x.numpy_())
y = x ** 2
y.backward()
print(x.grad)

tensor([ 4.])