莫烦pytorch（2）

最新推荐文章于 2021-03-29 16:17:35 发布

翻译最新推荐文章于 2021-03-29 16:17:35 发布 · 287 阅读

文章标签：

#pytorch

pytorch 专栏收录该内容

16 篇文章

订阅专栏

本文详细介绍了如何在PyTorch中将Tensor转换为Variable，Variable的属性及作用，mean操作的使用，并通过示例展示了如何进行反向传播计算梯度。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1.tensor转变为Variable变量

首先需要解释一个库from torch.autograd import Variable，提到这个库就必须要提到Variable，简而言之，Variable就是一个tensor的外衣，里面有三个属性.data, .grad和.grad_fn（老版的是.creator），其中data属性存储着tensor数据，grad属性存储关于该变量的导数（当然只有BP才会有），grad_fn是代表该变量的创造者。这个库呢就是给我提供了Variable。

在这里插入图片描述

import torch
from torch.autograd import Variable

tensor=torch.FloatTensor([[1,2],[3,4]])
variable=Variable(tensor,requires_grad=True)
print(tensor)       # [torch.FloatTensor of size 2x2]
print(variable.data)#存放了tensor的数据
print(variable)     # [torch.FloatTensor of size 2x2]
print(variable.grad_fn)

在这里插入图片描述
这个里的required_grad指的是参加BP，如果是False就是不参加BP

2.mean的操作

t_out=torch.mean(tensor*tensor)
v_out=torch.mean(variable*variable)

print(t_out)
print(v_out)    # 7.5

在这里插入图片描述

3.进行BP，打印梯度

t_out=torch.mean(tensor*tensor)
v_out=torch.mean(variable*variable)
v_out.backward()#进行BP
print(variable.grad)

print(variable)

print(variable.data)

print(variable.data.numpy())#变成numpy形式

在这里插入图片描述