torch的Variable

参考：莫烦：https://www.bilibili.com/video/BV1Vx411j7kT?p=8

Variable数据格式及使用意义

使用这种数据相当于将数据加入到一个节点,这种数据有grad属性，而torch数据没有该属性

import torch
import numpy as np
from torch.autograd import Variable

tensor = torch.FloatTensor([[1,2],[3,4]])            # build a tensor
variable = Variable(tensor, requires_grad=True) # build a variable, usually for compute gradients

print(tensor)       
print(variable) #可能是因为版本的问题，显示和视频中不太一样
'''
tensor([[1., 2.],
        [3., 4.]])
tensor([[1., 2.],
        [3., 4.]], requires_grad=True)
        '''

Variable所包含的数据可以作为一个能够反向传播的节点，但在定义这种数据时，需要把将requires_grad=True；

v_out = torch.mean(variable*variable)   # x^2
v_out.backward()    # backpropagation from v_out
print(variable.grad)
'''
tensor([[0.5000, 1.0000],
        [1.5000, 2.0000]])
'''

程序是和前面连接的，对variable数据进行了运算（x₁²+x₂²+x₃²+x₄²）/4=y，所以每个变量的梯度=dy/dx=0.5x 。
但是只有经过.backward( )方法后才开始将Variable的数据作为一个节点，进行向后传播，才有梯度的出现。