what is variable?

variable：pytorch中的变量，存储tensor，数值会不断变动

在 Torch 中的 Variable 就是一个存放会变化的值的地理位置. 里面的值会不停的变化. 就像一个裝鸡蛋的篮子, 鸡蛋数会不停变动. 那谁是里面的鸡蛋呢, 自然就是 Torch 的 Tensor 咯. 如果用一个 Variable 进行计算, 那返回的也是一个同类型的 Variable.

定义一个variable: 重要属性，requires_grad：要不要自动微分

import torch

from torch.autograd import Variable # torch 中 Variable 模块

# 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)

"""

 1  2

 3  4

[torch.FloatTensor of size 2x2]

"""

print(variable)

"""

Variable containing:

 1  2

 3  4

[torch.FloatTensor of size 2x2]

"""

12345678910111213141516171819202122

Variable 计算, 梯度

variable 的最重要作用就是计算微分，即梯度

我们再对比一下 tensor 的计算和 variable 的计算.

t_out = torch.mean(tensor*tensor)       # x^2

v_out = torch.mean(variable*variable)   # x^2

print(t_out)

print(v_out)    # 7.5

1234

到目前为止, 我们看不出什么不同, 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他一份功劳, 我们就来举个例子:

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

'''

 0.5000  1.0000

 1.5000  2.0000

'''

1234567891011

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

"""

Variable containing:

 1  2

 3  4

[torch.FloatTensor of size 2x2]

"""

print(variable.data)    # tensor 形式

"""

 1  2

 3  4

[torch.FloatTensor of size 2x2]

"""

print(variable.data.numpy())    # numpy 形式

"""

[[ 1.  2.]

 [ 3.  4.]]

"""

Recommended approach for saving a model

The first (recommended) saves and loads only the model parameters:

torch.save(the_model.state_dict(), PATH)

Then later:

the_model = TheModelClass(*args, **kwargs)

the_model.load_state_dict(torch.load(PATH))

巴特西

what is variable?

what is variable?

Variable 计算, 梯度

获取 Variable 里面的数据

Recommended approach for saving a model

最新文章

热门文章