pytorch更新完后Variable與Tensor合并了?,F(xiàn)在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。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(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(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€Tensor x,y,requires_grad=False.都無法實(shí)現(xiàn)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?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(時間,計(jì)算機(jī)內(nèi)存)
以上為個人經(jīng)驗(yàn),希望能給大家一個參考,也希望大家多多支持W3Cschool。如有錯誤或未考慮完全的地方,望不吝賜教。