PyTorch关于以下方法使用：detach() cpu() numpy() 以及item()

注：训练过程常会出现上述方法，本文只是简单介绍他们的含义和作用，深层理解请跳至文档，或者GIthub查看源码，又或者网盘 ，提取码：pjrs，把下载好的PyTorch文档导入，则可以离线查看文档了，希望能帮到你。步入正文：

---

PyTorch深度学习框架在训练时，大多都是利用GPU来提高训练速度，怎么用GPU（方法：.cuda()）：

import DataSet
from model.MyNet import MyNet
from torch.utils.data import DataLoader

train_dataset = DataSet() # 自己定义的数据类
train_loader = DataLoader(train_dataset,...) # 用 DataLoader封装数据
model = MyNet() # 自己定义的网络类
model.cuda()
########################## 关键处start ##############################
for idx,(img,label) in enumerate(train_loader):
	img = img.cuda()       # .cuda()将数据和模型送入GPU中
	label = label.cuda() 
	output = model(img)
	show(output)			# 对output进行操作，如显示output
########################## 关键处end ###############################

我们可以发现，当我们需要对output进行进一步运算时，该运算会被记录在计算图中，从而计算梯度，为反向传播做准备。但事实上，我们只是想要显示他，不需要output进行反传，此时，detach()方法出现了。

• 作用：阻断反向传播的。
• 返回值：Tensor，且经过detach()方法后，变量仍然在GPU上。

	 output= output.detach() # 阻断反传

问题来了：此时output仍然在显存中，而内存操作可能会找不到该变量，也就是说，show(output)是没办法进行操作的。那么cpu()出现了。

• 作用：将数据移至CPU中
• 返回值：Tensor

	 output = output.detach().cpu() # 移至cpu 返回值是cpu上的Tensor

后续，则可以对该Tensor数据进行一系列操作，其中包括numpy()，该方法主要用于将cpu上的tensor转为numpy数据。

• 作用：tensor变量转numpy
• 返回值：numpy.array()

	 output = output.detach().cpu().numpy()  # 返回值为numpy.array()

关于 item()：

可以发现，item()可以获取torch.Tensor的值。返回值为float类型，如上图所示。至此，已完成简单介绍。