.data()与.detach()的区别

最新推荐文章于 2025-06-23 11:26:36 发布

weixin_30918415

最新推荐文章于 2025-06-23 11:26:36 发布

阅读量5.6k

点赞数 1

CC 4.0 BY-SA版权

文章标签： java

原文链接：http://www.cnblogs.com/Manuel/p/11077202.html

博客指出.data()和.detach()都能获取Variable内部的Tensor，且.detach()更加安全，还给出了相关参考链接。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

.data()和.detach()都可以获取Variable内部的Tensor，但.detach()更加安全

https://zhuanlan.zhihu.com/p/38475183

转载于:https://www.cnblogs.com/Manuel/p/11077202.html

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

weixin_30918415

关注关注

1
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

深度学习框架pytorch：tensor.data和tensor.detach()的区别

huanfeng_AI的博客

04-24

761

pytorch .detach() .detach_() 和 .data用于切断反向传播的实现

09-18

主要介绍了pytorch .detach() .detach_() 和 .data用于切断反向传播的实现，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧

参与评论您还未登录，请先登录后发表或查看评论

详解.detach()、 .data和.detach_()

云隐雾匿的博客

07-28

4207

当我们在训练网络的时候可能希望保持一部分的网络参数不变，只对其中一部分的参数进行调整；或者只训练部分分支网络，并不让其梯度对主网络的梯度造成影响，这时候我们就需要使用detach()函数来切断一些分支的反向传播。

.detach()

最新发布

m0_69648014的博客

06-23

247

是 PyTorch 中的一个方法，主要用于从计算图中分离张量，使其不再参与梯度计算。通常在需要中断梯度反向传播或需要将张量转换为普通 NumPy 数组时使用。

detach()、data、with no_grad()、requires_grad之间关系

一扣解千愁的博客

07-18

4887

detach()、.data、with no_grad()、requires_grad之间关系 [@TOC](detach ()、.data、with no_grad()、requires_grad之间关系)

data()和detach()的区别

qq_39377134的博客

11-22

822

最近在控制台输出一下loss的时候用到了这俩函数，在这里记录一下。总体上来说tensor.detach()是为了解决tensor.data()的安全性提出的。tensor.detach()相对较为安全。因为当通过.detach()得到的tensor间接修改原来的tensor后继续在计算图中使用时会报错，但是通过.data()得到的tensor间接修改原tensor后继续在计算图中使用就会被忽略被...

pytorch中的.detach和.data深入详解

weixin_38530843的博客

11-26

584

pytorch中的.detach和.data深入详解_MIss-Y的博客-优快云博客_pytorch中detach

【pytorch】tensor.detach()和tensor.data的区别

shuaixio的博客

02-24

1078

分离tensor操作，.detach方法，.data属性，梯度回传，分离后的数据安全性

PyTorch中 tensor.detach() 和 tensor.data 的区别详解

12-23

PyTorch0.4中，.data 仍保留，但建议使用 .detach(), 区别在于 .data 返回和 x 的相同数据 tensor, 但不会加入到x的计算历史里，且require s_grad = False, 这样有些时候是不安全的, 因为 x.data 不能被 autograd ...

torch中.data和.detach()的区别

orangerfun的博客

04-27

4703

1. 概述在 pytorch 中, 有两种情况不能使用 inplace operation 对于 requires_grad=True 的叶子张量(leaf tensor) 不能使用 inplace operation 对于在求梯度阶段需要用到的张量不能使用 inplace operation 第一种情况: requires_grad=True 的 leaf tensor 类似于x = torch.ones(2, 2, requires_grad=True)中的x是直接创建的，它没有grad_fn，

detach,矩阵运算等知识

landing_guy_的博客

07-03

3591

pytorch中梯度detach, 矩阵的转置, 求和等

pyTorch基础系列（一）—— 基本语法

Snoopy_Dream

11-07

5088

目录 -1.torch.FloatTensor（） 0. repeat 1. Varibale与Tensor的区别（0.4之后已经合并为一类了） 2. 大多数索引都用LongTensor 3. import导入 4. 创建Tensors 5. 获取Tensor部分值 6. 产生随机数据 7. Tensor运算 8. torch.cat( [res,] x_1, x_2,...

pytorch的两个函数 .detach() .detach_() 的作用和区别

热门推荐

MIss-Y的博客

07-11

19万+

前言：当我们再训练网络的时候可能希望保持一部分的网络参数不变，只对其中一部分的参数进行调整；或者值训练部分分支网络，并不让其梯度对主网络的梯度造成影响，这时候我们就需要使用detach()函数来切断一些分支的反向传播一、tensor.detach() 返回一个新的tensor，从当前计算图中分离下来的，但是仍指向原变量的存放位置,不同之处只是requires_grad为false，得...

C++ 多线程detach()操作的坑以及传参

jinking01的专栏

09-16

1万+

detach()的作用是将子线程和主线程的关联分离，也就是说detach()后子线程在后台独立继续运行，主线程无法再取得子线程的控制权，即使主线程结束，子线程未执行也不会结束。当主线程结束时，由运行时库负责清理与子线程相关的资源。实际应用如让一个文字处理应用同时编辑多个文档，让每个文档处理窗口拥有自己的线程，每个线程运行同样的代码，并隔离不同窗口处理的数据。 1 #include <thread> 2 #include <iostream> 3 4 using name

【pytorch】.data和.detach()的区别

Hana

10-30

1012

【pytorch】data和detach的区别参考两者都是获取 Variable 的内部 Tensor，虽然现在Variable和Tensor合并了，但是作用没有太大变化，都舍弃了grad等反向图计算过程需保存的信息。相同两者都和原数据共享同一块数据都和原来数据的计算历史无关 requires_grad = False 不同 detach会进行提示，相比data更安全，在使用in-p...

PyTorch中 tensor.detach() 和 tensor.data 的区别

梦家の博客

12-26

4万+

PyTorch0.4中，.data 仍保留，但建议使用 .detach(), 区别在于 .data 返回和 x 的相同数据 tensor, 但不会加入到x的计算历史里，且require s_grad = False, 这样有些时候是不安全的, 因为 x.data 不能被 autograd 追踪求微分。 .detach() 返回相同数据的 tensor ,且 requires_grad=False...

pytorch中的.detach()和detach_()和.data和.cpu()和.item()的深入详解与区别联系

weixin_45928096的博客

03-16

5947

pytorch中的.detach()和detach_()和.data和.cpu()和.item()的深入详解与区别联系在x->y->z传播中，如果我们对y进行detach()，梯度还是能正常传播的；但如果我们对y进行detach_()，就把x->y->z切成两部分：x和y->z，x则无法接受到后面传过来的梯度。 x.data和x.detach()返回和x的相同数据 tensor，这个新的tensor和原来的tensor（即x） .data返回的是一个tensor、而.item()返回的是一个具体的数值。

pytorch 中的.detach() .detach_()

MasterCayman的博客

07-19

4007

当我们在训练网络的时候，（1）可能希望保持一部分的网络参数不变，只对其中一部分的参数进行调整；（2）只训练部分分支网络，并不让其梯度对主网络的梯度造成影响，这时候我们就需要使用detach()函数来切断一些分支的反向传播。 tensor.detach() 返回一个新的tensor，从当前计算图中分离下来的，但是仍指向原变量的存放位置,不同之处只是requires_grad为false，得到的这个tensor永远不需要计算其梯度，不具有grad。即使之后重新将它的requires_grad置.

【PyTorch】detach() 函数的作用

Esperanto.的博客

08-12

2万+

detach