pytorch Variable與Tensor合并后requires_grad()默認與修改方法

本篇內容介紹了“pytorch Variable與Tensor合并后requires_grad()默認與修改方法”的有關知識，在實際案例的操作過程中，不少人都會遇到這樣的困境，接下來就讓小編帶領大家學習一下如何處理這些情況吧！希望大家仔細閱讀，能夠學有所成！

pytorch更新完后Variable與Tensor合并了。現在torch.Tensor()能像Variable一樣進行反向傳播的更新，返回值為Tensor，Variable自動創(chuàng)建tensor，且返回值為Tensor，（所以以后不需要再用Variable）。Tensor創(chuàng)建后,默認requires_grad=Flase，可以通過xxx.requires_grad_()將默認的Flase修改為True。來看看官方文檔是怎么介紹的吧。

下面附代碼及官方文檔代碼：

import torch
from torch.autograd import Variable #使用Variabl必須調用庫
lis=torch.range(1,6).reshape((-1,3))#創(chuàng)建1~6 形狀 
#行不指定（-1意為由計算機自己計算）列為3的floattensor矩陣

print(lis)
print(lis.requires_grad) #查看默認的requires_grad是否是Flase

lis.requires_grad_() #使用.requires_grad_()修改默認requires_grad為true
print(lis.requires_grad)

結果如下：

tensor([[1., 2., 3.],
[4., 5., 6.]])
False
True

創(chuàng)建一個Variable，Variable必須接收Tensor數據 不能直接寫為 a=Variable(range(6)).reshape((-1,3))

否則報錯 Variable data has to be a tensor, but got range

正確如下：

import torch
from torch.autograd import Variable
tensor=torch.FloatTensor(range(8)).reshape((-1,4))
my_ten=Variable(tensor)
print(my_ten)
print(my_ten.requires_grad)

my_ten.requires_grad_()
print(my_ten.requires_grad)

結果：

tensor([[0., 1., 2., 3.],
[4., 5., 6., 7.]])
False
True

由上面可以看出，Tensor完全可以取代Variable。

下面給出官方文檔：

# 默認創(chuàng)建requires_grad = False的Tensor  
x = torch . ones ( 1 ) # create a tensor with requires_grad=False (default)
x . requires_grad
# out: False

# 創(chuàng)建另一個Tensor，同樣requires_grad = False
y = torch . ones ( 1 ) # another tensor with requires_grad=False
# both inputs have requires_grad=False. so does the output
z = x + y
# 因為兩個Tensor x,y，requires_grad=False.都無法實現自動微分，
# 所以操作（operation）z=x+y后的z也是無法自動微分，requires_grad=False
z . requires_grad
# out: False

# then autograd won't track this computation. let's verify!
# 因而無法autograd，程序報錯
z . backward ( ) 
# out：程序報錯：RuntimeError: element 0 of tensors does not require grad and does not have a grad_fn

# now create a tensor with requires_grad=True
w = torch . ones ( 1 , requires_grad = True ) 
w . requires_grad
# out: True

# add to the previous result that has require_grad=False
# 因為total的操作中輸入Tensor w的requires_grad=True，因而操作可以進行反向傳播和自動求導。
total = w + z
# the total sum now requires grad!
total . requires_grad
# out: True
# autograd can compute the gradients as well
total . backward ( ) 
w . grad
#out: tensor([ 1.])

# and no computation is wasted to compute gradients for x, y and z, which don't require grad
# 由于z，x，y的requires_grad=False,所以并沒有計算三者的梯度
z . grad == x . grad == y . grad == None 
# True
existing_tensor . requires_grad_ ( ) 
existing_tensor . requires_grad
# out：True

或者直接用Tensor創(chuàng)建時給定requires_grad=True

my_tensor = torch.zeros(3,4,requires_grad = True) 
my_tensor.requires_grad
# out: True

lis=torch.range(1,6,requires_grad=True).reshape((-1,3))
print(lis)
print(lis.requires_grad)
lis.requires_grad_()
print(lis.requires_grad)

結果

tensor([[1., 2., 3.],
[4., 5., 6.]], requires_grad=True)
True
True

補充：volatile 和 requires_grad在pytorch中的意思

Backward過程中排除子圖

pytorch的BP過程是由一個函數決定的，loss.backward()， 可以看到backward()函數里并沒有傳要求誰的梯度。那么我們可以大膽猜測，在BP的過程中，pytorch是將所有影響loss的Variable都求了一次梯度。

但是有時候，我們并不想求所有Variable的梯度。那就要考慮如何在Backward過程中排除子圖（ie.排除沒必要的梯度計算）。

如何BP過程中排除子圖？ Variable的兩個參數（requires_grad和volatile）

requires_grad=True 要求梯度

requires_grad=False 不要求梯度

volatile=True相當于requires_grad=False。反之則反之。。。。。。。ok

注意：如果a是requires_grad=True，b是requires_grad=False。則c=a+b是requires_grad=True。同樣的道理應用于volatile

為什么要排除子圖

也許有人會問，梯度全部計算，不更新的話不就得了。

這樣就涉及了效率的問題了，計算很多沒用的梯度是浪費了很多資源的（時間，計算機內存）

“pytorch Variable與Tensor合并后requires_grad()默認與修改方法”的內容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業(yè)相關的知識可以關注億速云網站，小編將為大家輸出更多高質量的實用文章！