pytorch系列 --3 Variable，Tensor 和 Gradient

Variable & Automatic Gradient Calculation

• Tensor vs Variable
• graph and gradient
  注意，在pytorch0.4中，tensor和pytorch合并了。
  https://pytorch.org/blog/pytorch-0_4_0-migration-guide/
  torch.Tensor 和 torch.autograd.Variable 是同一个类，更准确的说，torch.Tensor 也能像旧的Variable一样
  追踪历史，进行梯度计算等。Variable 仍然正常工作，但是返回的对象是torch.Tensor,这意味着不需要在代码中使用Variable（Tensor）了。

但是此篇文章主要讲述Variable的相关知识，将在下一篇在文章中讲述pytorch0.4的具体变化

引进库

import torch
from torch.autograd import Variable

Tensor 和 Variable

Variable:

autograde.Variable是一个类，在使用tensor_variable = autograde.Variable(tensor)后，
tensor_variable 有三个重要的属性：

• data:保存着tensor_variable 的tensor向量
• grad: 保存tensor_variable 的梯度值
• grad_fn: 保存创建tensor_variable 的函数
  此外，还有一个属性requires_grad确定tensor_variable 是否具有求导的功能。
  以上Variable就是pytorch实现反向传播最核心的先决条件。
  接下里来看一下Variable的具体功能：

1） 声明 declaration

x_tensor = torch.Tensor(3,4)
x_tensor

out:

-12170.8672 0.0000 -12170.8672 0.0000
0.0000 0.0000 0.0000 0.0000
-12170.9453 0.0000 -12170.9453 0.0000
[torch.FloatTensor of size 3x4]

使用Variale转换Tensor

x_variable = Variable(x_tensor)
x_variable

out:

12170.8672 0.0000 -12170.8672 0.0000
0.0000 0.0000 0.0000 0.0000
-12170.9453 0.0000 -12170.9453 0.0000
[torch.FloatTensor of size 3x4]

2)Variable的属性

.data :Variable的Tensor数据

# .data -> wrapped tensor 
x_variable.data

out:

-12170.8672 0.0000 -12170.8672 0.0000
0.0000 0.0000 0.0000 0.0000
-12170.9453 0.0000 -12170.9453 0.0000
[torch.FloatTensor of size 3x4]

.grad: variable的梯度值

# .grad -> gradient of the variable
print(x_variable.grad)

out:

None

.reqires_grad: variable是否能进行梯度计算

# .requires_grad -> whether variable requres gradient
print(x_variable.requires_grad)

x_variable = Variable(x_tensor,requires_grad=True)
x_variable.requires_grad

.grad_fn: variable的创建函数

y = x_variable * 2

print(y.grad_fn)

out:

<MulBackward object at 0x0000012641CF6F98>

3. Graph & Variables

先看一个简单的计算图的例子：
可以简单的计算出w的梯度是x，也就是2，其余x，b的同样的可以简单计算出。

w = Variable(torch.Tensor(