PyTorch学习笔记（二）——变量

一、什么是变量（Variable）

在 Torch 中， Variable 是一个存放会变化的值（变量）的地理位置。可以理解为一个容器，里面的值会不停的变化，就像一个装鸡蛋的篮子， 鸡蛋数会不停变动。 那谁是里面的鸡蛋呢, 自然就是 Torch 的 Tensor 。如果用一个 Variable 进行计算，那返回的也是一个同类型的 Variable。

例如，定义一个Variable：

# coding=gbk
import torch
from torch.autograd import Variable

# 先生鸡蛋
tensor = torch.FloatTensor([[1,2],[3,4]])
# 把鸡蛋放到篮子里, requires_grad是参不参与误差反向传播, 要不要计算梯度
variable = Variable(tensor, requires_grad=True)

print(tensor)
print(variable)

输出结果：

tensor([[1., 2.],
        [3., 4.]])
tensor([[1., 2.],
        [3., 4.]], requires_grad=True)

二、Variable计算梯度

先来对比一下Tensor和Variable的计算，计算平方的均值：

#进行平方计算，Tensor的值为上面定义的。
t_out = torch.mean(tensor*tensor)       # x^2
v_out = torch.mean(variable*variable)   # x^2
print(t_out)
#输出结果：tensor(7.5000)
print(v_out) 
#输出结果：tensor(7.5000, grad_fn=<MeanBackward0>)

到目前为止, 我们看不出两者有什么不同， 但是时刻记住，Variable 计算时， 它在背景幕布后面一步步默默地搭建着一个庞大的系统， 叫做计算图（computational graph）， 这个图是用来干嘛的? 原来是将所有的计算步骤 (节点) 都连接起来, 最后在进行误差反向传递的时候, 一次性将所有 Variable 里面的修改幅度 (梯度) 都计算出来, 而 tensor 就没有这个能力啦。

v_out = torch.mean(variable*variable) 就是在计算图中添加的一个计算步骤，计算误差反向传递的时候有它一份功劳, 下面举个例子：

v_out.backward()    #模拟v_out的误差反向传递

# 下面两步看不懂没关系, 只要知道 Variable 是计算图的一部分, 可以用来传递误差就好.
# v_out = 1/4 * sum(variable*variable) 这是计算图中的 v_out 计算步骤
# 针对于 v_out 的梯度就是, d(v_out)/d(variable) = 1/4*2*variable = variable/2

print(variable.grad)    # 初始 Variable 的梯度
'''
输出结果：
tensor([[0.5000, 1.0000],
        [1.5000, 2.0000]])
'''

三、获取Variable里面的数据：

直接print(variable)只会输出 Variable 形式的数据，在很多时候是用不了的(比如想要用 plt 画图)，所以我们要转换一下，将它变成 tensor 形式。

print(variable)     #  Variable 形式
"""
输出结果：
tensor([[1., 2.],
        [3., 4.]], requires_grad=True)
"""
print(variable.data)    # tensor 形式
"""
输出结果：
tensor([[1., 2.],
        [3., 4.]])
"""
print(variable.data.numpy())    # numpy 形式
"""
输出结果：
[[ 1.  2.]
 [ 3.  4.]]
"""

注：本学习笔记学习之莫烦Python，代码运行为截稿前最新的结果

学习资料：1）PyTorch 官网

                  2）莫烦Python