tensor.detach(),item(),cpu(),tolist(),numpy()

cuda上面的变量类型只能是tensor，不能是其他

1.detach()

Returns a new Tensor, detached from the current graph. The result will never require gradient.

返回一个新的Variable，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Variable永远不需要计算其梯度，不具有grad。
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。
假设有模型A和模型B，需要将A的输出作为B的输入，但训练时只训练模型B. 那么可以这样做：

input_B = output_A.detach()

2.item()

一个元素张量x可以用x.item ()得到元素值。

import torch
c = torch.tensor([1])
print(c.item())

1

3.cpu()

将变量放在cpu上

4.Pytorch之tolist()

将tensor转换为list数据

import torch
c = torch.tensor([[2,3],[1,22]])
print(c)
print(c.tolist())

tensor([[ 2, 3], [ 1, 22]])
[[2, 3], [1, 22]]

5.numpy()

将tensor转换为numpy