PyTorch学习笔记(4)——detach、ones_like、meshgrid

1.detach()

  作用：从当前网络分离出一个Tensor，值和原变量相同，但是不需要计算梯度。

  注意：返回的Tensor和原变量共享内存。两者的原地修改均不可见，而且可能会触发正确性检查的错误。对返回的Tensor的修改不会引起原变量的修改，但会触发错误。

  参考：PyTorch官方文档

2.torch.ones_like()

torch.ones_like(input, *, dtype=None, layout=None, device=None, requires_grad=False, memory_format=torch.preserve_format) -> Tensor

  作用：返回一个有标量1填充成的张量，它的大小和input相同，等价于torch.ones(input.size(), dtype=input.dtype, layout=input.layout, device=input.device)

input(Tensor)：input的size决定输出张量的size
dtype(torch.dtype, optional)：期望的返回张量的数据类型。如果为None，默认为input的dtype。
layout(torch.layout, optional)：期望的返回张量的layout。如果为None，默认为input的layout。
device(torch.device, optional)：期望的返回张量的运行设备，如果为None，默认与input相同。
requires_grad(bool, optional)： 如果需要在返回张量上计算梯度。默认为False。
memory_format(torch.memory_format，optional)：期望的返回张量的内存格式。默认为torch.preserve_format。

  参考：PyTorch官方文档

3. torch.meshgrid()

torch.meshgrid(*tensors)

  作用：输入N个张量，每个张量由标量或一维向量组成，创造N个N维网格，其中第i个网格由第i个输入延展得到，维度由其他输入定义。

  说明：如果输入的k个张量的size为$(N_1,),(N_2,),...,(N_K,)$，那么输出的k个张量有相同的size，为$(N_1,N_2,...,N_k)$。

>>> x = torch.tensor([1, 2])
>>> y = torch.tensor([3, 4, 5])
>>> grid_x, grid_y = torch.meshgrid(x, y)
>>> grid_x 
tensor([[1, 1, 1],
        [2, 2, 2]])
>>> grid_y
tensor([[3, 4, 5],
        [3, 4, 5]])

  参考：PyTorch官方文档