『PyTorch』第三弹_自动求导

torch.autograd.Variable是Autograd的核心类，它封装了Tensor，并整合了反向传播的相关实现

Varibale包含三个属性：

• data：存储了Tensor，是本体的数据
• grad：保存了data的梯度，本事是个Variable而非Tensor，与data形状一致
• grad_fn：指向Function对象，用于反向传播的梯度计算之用

data

import torch as t
from torch.autograd import Variable

x = Variable(t.ones(2, 2), requires_grad = True)
x  # 实际查询的是.data，是个Tensor

实际上查询x和查询x.data返回结果一致，

Variable containing:

 1 1

 1 1

 [torch.FloatTensor of size 2×2]

梯度求解

构建一个简单的方程:y = x[0,0] + x[0,1] + x[1,0] + x[1,1]，Variable的运算结果也是Variable，但是，中间结果反向传播中不会被求导()

这和TensorFlow不太一致，TensorFlow中中间运算果数据结构均是Tensor，

y = x.sum()

y
"""
　　Variable containing:
　　 4
　　[torch.FloatTensor of size 1]
"""

可以查看目标函数的.grad_fn方法，它用来求梯度，

y.grad_fn
"""
　　　　<SumBackward0 at 0x18bcbfcdd30>
"""

y.backward()  # 反向传播
x.grad  # Variable的梯度保存在Variable.grad中
"""
　　Variable containing:
　　 1  1
　　 1  1
　　[torch.FloatTensor of size 2x2]
"""

grad属性保存在Variable中，新的梯度下来会进行累加，可以看到再次求导后结果变成了2，

y.backward()
x.grad  # 可以看到变量梯度是累加的
"""
    Variable containing:
     2  2
     2  2
    [torch.FloatTensor of size 2x2]
"""

所以要归零，

x.grad.data.zero_()  # 归零梯度，注意，在torch中所有的inplace操作都是要带下划线的，虽然就没有.data.zero()方法

"""
 0  0
 0  0
[torch.FloatTensor of size 2x2]
"""

对比Variable和Tensor的接口，相差无两，

Variable和Tensor的接口近乎一致，可以无缝切换

x = Variable(t.ones(4, 5))

y = t.cos(x)                         # 传入Variable
x_tensor_cos = t.cos(x.data)  # 传入Tensor

print(y)
print(x_tensor_cos)

"""
Variable containing:
 0.5403  0.5403  0.5403  0.5403  0.5403
 0.5403  0.5403  0.5403  0.5403  0.5403
 0.5403  0.5403  0.5403  0.5403  0.5403
 0.5403  0.5403  0.5403  0.5403  0.5403
[torch.FloatTensor of size 4x5]


 0.5403  0.5403  0.5403  0.5403  0.5403
 0.5403  0.5403  0.5403  0.5403  0.5403
 0.5403  0.5403  0.5403  0.5403  0.5403
 0.5403  0.5403  0.5403  0.5403  0.5403
[torch.FloatTensor of size 4x5]
"""