pytorch中.data與.detach()有什么區(qū)別

小編給大家分享一下pytorch中.data與.detach()有什么區(qū)別，相信大部分人都還不怎么了解，因此分享這篇文章給大家參考一下，希望大家閱讀完這篇文章后大有收獲，下面讓我們一起去了解一下吧！

        眾所周知，pytorch里一個tensor默認(rèn)是有兩個屬性的，一個是data一個是grid。 但這里的data也是tensor。有的時候我們不想管梯度grid的事，所以用.data來提取這里的data。

a = torch.tensor([1,2,3.], requires_grad = True)
out = a.sigmoid()
c = out.data  # 需要走注意的是，通過.data “分離”得到的的變量會和原來的變量共用同樣的數(shù)據(jù)，而且新分離得到的張量是不可求導(dǎo)的，c發(fā)生了變化，原來的張量也會發(fā)生變化
c.zero_()     # 改變c的值，原來的out也會改變

        tensor .data 返回和 x 的相同數(shù)據(jù) tensor,而且這個新的tensor和原來的tensor是共用數(shù)據(jù)的，一者改變，另一者也會跟著改變，而且新分離得到的tensor的require s_grad = False, 即不可求導(dǎo)的。（這一點(diǎn)其實(shí)detach是一樣的）  

        除了.data，pytorch還提供了.detach()來實(shí)現(xiàn)相同的操作。不管grid的事，只提取data，可以用.detach()。而且我們更推薦使用.detach()。

a = torch.tensor([1,2,3.], requires_grad = True)
out = a.sigmoid()
c = out.detach()  # 需要走注意的是，通過.detach() “分離”得到的的變量會和原來的變量共用同樣的數(shù)據(jù)，而且新分離得到的張量是不可求導(dǎo)的，c發(fā)生了變化，原來的張量也會發(fā)生變化
c.zero_()     # 改變c的值，原來的out也會改變

        tensor .detach() 返回和 x 的相同數(shù)據(jù) tensor,而且這個新的tensor和原來的tensor是共用數(shù)據(jù)的，一者改變，另一者也會跟著改變，而且新分離得到的tensor的require s_grad = False, 即不可求導(dǎo)的。（這一點(diǎn)其實(shí) .data是一樣的）

        那么哪里不一樣呢？為什么更推薦用.datach()呢？

        舉個例子，上面的out包含著data，也包含著grid。現(xiàn)在我不想管梯度的事，所以可以用out.data來把純種tensor提取出來，此時的out.data也就是c已經(jīng)沒有梯度這個東西了?？晌襝.zero_()修改了out的值，這時再bp竟然會成功！沒有梯度了竟然能bp！所以.data是有缺點(diǎn)的。而.detach()是沒有這個問題的，所以建議用.datach()。

以上是“pytorch中.data與.detach()有什么區(qū)別”這篇文章的所有內(nèi)容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內(nèi)容對大家有所幫助，如果還想學(xué)習(xí)更多知識，歡迎關(guān)注億速云行業(yè)資訊頻道！