pytorch中.data()与.item()，.numpy()，.detach()，.cuda()，.cpu()的作用

我们在深度pytorch代码中经常看到以下表示，简单记录一下：
.data：
把变量设置成tensor类型，requires_grad设置为Flase

a = torch.tensor([1.0], requires_grad=True)
b = a.data
print(b, b.requires_grad)
## 输出为： tensor([1.]) False

.item()
把tensor转为python的float类型

a = torch.tensor([1.0], requires_grad=True)
 
c = a.item()
print(c, type(c))
## 输出为：1.0 <class 'float'>

.numpy()
将张量转换为与其共享底层存储的 n 维 numpy 数组

.detach()
当我们在训练神经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

返回一个与当前计算图分离的、不再需要梯度的新张量
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。

.cuda()
将张量拷贝到 GPU 上

.cpu()
将张量拷贝到 CPU 上