pytorch更新完后合并了Variable与Tensor
torch.Tensor()能像Variable一样进行反向传播的更新，返回值为Tensor
Variable自动创建tensor，且返回值为Tensor，（所以以后不需要再用Variable）
Tensor创建后,默认requires_grad=Flase
可以通过xxx.requires_grad_()将默认的Flase修改为True
下面附代码及官方文档代码：
import torch from torch.autograd import Variable #使用Variabl必须调用库 lis=torch.range(1,6).reshape((-1,3))#创建1~6 形状 #行不指定（-1意为由计算机自己计算）列为3的floattensor矩阵 print(lis) print(lis.requires_grad) #查看默认的requires_grad是否是Flase lis.requires_grad_() #使用.requires_grad_()修改默认requires_grad为true print(lis.requires_grad)
结果如下：
tensor([[1., 2., 3.],
[4., 5., 6.]])
False
True
创建一个Variable，Variable必须接收Tensor数据 不能直接写为 a=Variable(range(6)).reshape((-1,3))
否则报错 Variable data has to be a tensor, but got range
正确如下：
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)
结果：
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。
下面给出官方文档：
# 默认创建requires_grad = False的Tensor x = torch . ones ( 1 ) # create a tensor with requires_grad=False (default) x . requires_grad # out: False # 创建另一个Tensor，同样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 # 因为两个Tensor x,y，requires_grad=False.都无法实现自动微分， # 所以操作（operation）z=x+y后的z也是无法自动微分，requires_grad=False z . requires_grad # out: False # then autograd won't track this computation. let's verify! # 因而无法autograd，程序报错 z . backward ( ) # out：程序报错：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 # 因为total的操作中输入Tensor w的requires_grad=True，因而操作可以进行反向传播和自动求导。 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,所以并没有计算三者的梯度 z . grad == x . grad == y . grad == None # True existing_tensor . requires_grad_ ( ) existing_tensor . requires_grad # out：True
或者直接用Tensor创建时给定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)
结果
tensor([[1., 2., 3.],
[4., 5., 6.]], requires_grad=True)
True
True
补充：volatile 和 requires_grad在pytorch中的意思
Backward过程中排除子图
pytorch的BP过程是由一个函数决定的，loss.backward()， 可以看到backward()函数里并没有传要求谁的梯度。那么我们可以大胆猜测，在BP的过程中，pytorch是将所有影响loss的Variable都求了一次梯度。
但是有时候，我们并不想求所有Variable的梯度。那就要考虑如何在Backward过程中排除子图（ie.排除没必要的梯度计算）。
如何BP过程中排除子图？ Variable的两个参数（requires_grad和volatile）
requires_grad=True 要求梯度
requires_grad=False 不要求梯度
volatile=True相当于requires_grad=False。反之则反之。。。。。。。ok
注意：如果a是requires_grad=True，b是requires_grad=False。则c=a+b是requires_grad=True。同样的道理应用于volatile
为什么要排除子图
也许有人会问，梯度全部计算，不更新的话不就得了。
这样就涉及了效率的问题了，计算很多没用的梯度是浪费了很多资源的（时间，计算机内存）
以上为个人经验，希望能给大家一个参考，也希望大家多多支持。如有错误或未考虑完全的地方，望不吝赐教。
