pytorch的变量variable

什么是变量Variable

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。就像一个装鸡蛋的篮子，鸡蛋数量会不停变动，谁是里面的鸡蛋呢？自然就是torch的tensor了。如果用一个variable进行计算，那返回的也是一个同类型的variable。

例子

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  23  4
[torch.FloatTensor of size 2x2]
"""print(variable)
"""
Variable containing:1  23  4
[torch.FloatTensor of size 2x2]
"""

variable计算，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

到目前为止，我们看不出什么不同，但是记住，variable计算的时候，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，computaional graph。这个图是用来做什么的？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就没有这个能力了。

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的一份功劳，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/2print(variable.grad)    # 初始 Variable 的梯度
'''0.5000  1.00001.5000  2.0000
'''

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  23  4
[torch.FloatTensor of size 2x2]
"""print(variable.data)    # tensor 形式
"""1  23  4
[torch.FloatTensor of size 2x2]
"""print(variable.data.numpy())    # numpy 形式
"""
[[ 1.  2.][ 3.  4.]]
"""