pytorh变量的定义和访问，detatch（）作用

pytorch中的变量定义

import torch
import numpy as np
from torch.autograd import Variable as V

#定义一个可进行反向传播计算，能够梯度下降的张量对象
n = [[1.0,2.0],[3.0,4]]
p = torch.tensor(n)
m = p.clone().detach().requires_grad_(True) # 对于已经定义的非可梯度变化的tensor，否则会出现警告
print(m)
# 若创建的torch中的原始数据是整型，必须使用float()
x=V(torch.arange(0,3).float(),requires_grad=True)
print(x)
print(x.data)
1
2
3
4
5
6
7
8
9
10
11
12
13

torch张量的data属性的作用

对于可反向传播，可以梯度下降计算的对象：.data取出变量中张量部分的数据
对于不要求梯度下降的变量对象：.data属性就是它本身
1
2

x=V(torch.arange(0,3).float(),requires_grad=True)
print(x)  # 可进行梯度下降计算的变量
print(x.data)  # 取出变量中的张量tensor部分
print(x.detach())  #将可梯度下降的对象转换为不可梯度下降计算的张量
print(x)
1
2
3
4
5

detach（）作用

参考：https://blog.csdn.net/qq_27825451/article/details/95498211

1、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
2、在新的计算中，不会再对其值的梯度进行修改
3、如果对返回张量进行backwark()计算，会出现错误
1
2
3

x=V(torch.arange(0,3).float(),requires_grad=True)
print(x)  # 可进行梯度下降计算的变量
print(x.data)  # 取出变量中的张量tensor部分
x_detach = x.detach()
print(x_detach)  #将可梯度下降的对象转换为不可梯度下降计算的张量
print(x_detach.data)
1
2
3
4
5
6