国产区十八禁黄色污污网站,免费?无码?国产精品在线一区二区

主頁 > 知識庫 > pytorch Variable與Tensor合并后 requires_grad()默認(rèn)與修改方式

pytorch Variable與Tensor合并后 requires_grad()默認(rèn)與修改方式

pytorch更新完后合并了Variable與Tensor

torch.Tensor()能像Variable一樣進(jìn)行反向傳播的更新，返回值為Tensor

Variable自動(dòng)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(rèn)requires_grad=Flase

可以通過xxx.requires_grad_()將默認(rèn)的Flase修改為True

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(diào)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(jì)算機(jī)自己計(jì)算）列為3的floattensor矩陣

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

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

結(jié)果如下：

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

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

否則報(bào)錯(cuò) 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(jié)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(rèn)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(gè)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?yàn)閮蓚€(gè)Tensor x,y，requires_grad=False.都無法實(shí)現(xiàn)自動(dòng)微分，
# 所以操作（operation）z=x+y后的z也是無法自動(dòng)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(bào)錯(cuò)
z . backward ( ) 
# out：程序報(bào)錯(cuò)：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?yàn)閠otal的操作中輸入Tensor w的requires_grad=True，因而操作可以進(jìn)行反向傳播和自動(dòng)求導(dǎo)。
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(jì)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(shí)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(jié)果

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

補(bǔ)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(gè)函數(shù)決定的，loss.backward()，可以看到backward()函數(shù)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(shí)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(jì)算）。

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

requires_grad=True 要求梯度

requires_grad=False 不要求梯度

volatile=True相當(dāng)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(yīng)用于volatile

為什么要排除子圖

也許有人會(huì)問，梯度全部計(jì)算，不更新的話不就得了。

這樣就涉及了效率的問題了，計(jì)算很多沒用的梯度是浪費(fèi)了很多資源的（時(shí)間，計(jì)算機(jī)內(nèi)存）

以上為個(gè)人經(jīng)驗(yàn)，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教。

您可能感興趣的文章:

pytorch dataloader 取batch_size時(shí)候出現(xiàn)bug的解決方式
pytorch的batch normalize使用詳解
pytorch方法測試詳解——?dú)w一化(BatchNorm2d)
解決pytorch下只打印tensor的數(shù)值不打印出device等信息的問題
淺談pytorch中stack和cat的及to_tensor的坑
Pytorch中TensorBoard及torchsummary的使用詳解
pytorch 帶batch的tensor類型圖像顯示操作

標(biāo)簽：黔西上海四川惠州鷹潭常德益陽黑龍江

巨人網(wǎng)絡(luò)通訊聲明：本文標(biāo)題《pytorch Variable與Tensor合并后 requires_grad()默認(rèn)與修改方式》，本文關(guān)鍵詞 pytorch,Variable,與,Tensor,合并,；如發(fā)現(xiàn)本文內(nèi)容存在版權(quán)問題，煩請?zhí)峁┫嚓P(guān)信息告之我們，我們將及時(shí)溝通與處理。本站內(nèi)容系統(tǒng)采集于網(wǎng)絡(luò)，涉及言論、版權(quán)與本站無關(guān)。