pytorch Variable变量

1： tensor不能反向传播，variable可以反向传播。

2：Variable计算时，它会逐渐地生成计算图。这个图就是将所有的计算节点都连接起来，最后进行误差反向传递的时候，一次性将所有Variable里面的梯度都计算出来，而tensor就没有这个能力。

3：variable 如何转化为numpy

4：Variable有一个名叫data的字段，可以通过它获得被包装起来的那个原始的Tensor数据。同时，使用grad字段，可以获取梯度（也是一个Variable）。

5：每个Variable有一个creator的字段，表明了它是由哪个Function创建的（除了用户自己显式创建的那些，这时候creator是None）

6:  当进行反向传播计算梯度时，如果Variable是标量（比如最终的loss是欧氏距离或者交叉熵），那么backward()函数不需要参数。然而如果Variable有不止一个元素的时候，需要为其中的每个元素指明其（由上层传导来的）梯度（也就是一个和Variableshape匹配的Tensor）

import numpy as np
import torch
import torch.nn as nn
import torch.nn.functional as F
from torch.autograd import Variable

import torch
from torch.autograd import Variable # torch 中 Variable 模块
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)
var = Variable(tensor )  ### 默认是不参与反向传播，如果需要则需要在代码里面声明
print("tensor:",tensor)
print("variable:",variable)
print("var:",var)

#### 获取Variable 的数据
print(variable.data.numpy()) ###variable  数据转化为numpy 的类型

运行结果：

PS F:\Graduation project\deeplearning> python .\c.py
tensor: tensor([[1., 2.],
        [3., 4.]])
variable: tensor([[1., 2.],
        [3., 4.]], requires_grad=True)
var: tensor([[1., 2.],
        [3., 4.]])
[[1. 2.]
 [3. 4.]]