pytorch 换版本_PyTorch 4.0版本迁移指南

原标题：PyTorch 4.0版本迁移指南

PyTorch昨天(4月25日)发布了PyTorch 0.4.0版本。这个版本伴随着很多重大的更新，包括正式开始支持windows。以下为PyTorch官方为让大家使用新版PyTorch而发布的代码迁移指南。

欢迎阅读PyTorch 0.4.0的迁移指南。在此版本中，我们引入了许多振奋人心的新功能和重要的bug修复，旨在为用户提供更好，更清晰的接口。在这个指南中，我们将介绍从以前版本迁移现有代码时最重要的变化：

Tensor与Variable合并支持0维(标量)Tensor弃用volatile标记dtypes，devices和Numpy风格的Tensor创建函数编写不限制设备的代码

合并Tensor和Variable类

torch.Tensor和torch.autograd.Variable现在是相同的类。更确切地说，torch.Tensor能够像旧版Variable一样追踪历史; Variable封装还像过去那样工作，但返回一个torch.Tensor类型的对象。这意味着你不再需要在代码中到处使用Variable封装器。

在type()的Tensor更改

还要注意，张量的type()不再反映数据类型。而是使用isinstance()或x.type()替代：

1>>> x=torch.DoubleTensor([1,1,1])

2>>>print(type(x)) # was torch.DoubleTensor

3""

4>>>print(x.type()) # OK: 'torch.DoubleTensor'

5'torch.DoubleTensor'

6>>>print(isinstance(x, torch.DoubleTensor)) # OK: True

7True

autograd什么时候开始追踪历史记录？

requires_grad，autograd的主要标记，现在归属于Tensor。过去适用于Variables的规则同样适用于Tensor; 当一个操作的任何输入Tensor有requires_grad=True时，autograd开始跟踪历史记录。例如：

01>>> x=torch.ones(1) # create a tensor with requires_grad=False (default)

02>>> x.requires_grad

03False

04>>> y=torch.ones(1) # another tensor with requires_grad=False

05>>> z=x+y

06>>># both inputs have requires_grad=False. so does the output

07>>> z.requires_grad

08False

09>>># then autograd won't track this computation. let's verify!

10>>> z.backward()

11RuntimeError: element0of tensors doesnotrequire gradanddoesnothave a grad_fn

12>>>

13>>># now create a tensor with requires_grad=True

14>>> w=torch.ones(1, requires_grad=True)

15>>> w.requires_grad

16True

17>>># add to the previous result that has require_grad=False

18>>> total=w+z

19>>># the total sum now requires grad!

20>>> total.requires_grad

21True

22>>># autograd can compute the gradients as