pytorch的變量variable

什麼是變量Variable

在torch中的variable就是一個存放會變化的值的地理位置，裏面的值會不停的變化。就像一個裝雞蛋的籃子，雞蛋數量會不停變動，誰是裏面的雞蛋呢？自然就是torch的tensor了。如果用一個variable進行計算，那返回的也是一個同類型的variable。

例子

import torch
from torch.autograd import Variable # torch 中 Variable 模塊

# 先生雞蛋
tensor = torch.FloatTensor([[1,2],[3,4]])
# 把雞蛋放到籃子裏, requires_grad是參不參與誤差反向傳播, 要不要計算梯度
variable = Variable(tensor, requires_grad=True)

print(tensor)
"""
 1  2
 3  4
[torch.FloatTensor of size 2x2]
"""

print(variable)
"""
Variable containing:
 1  2
 3  4
[torch.FloatTensor of size 2x2]
"""

variable計算，梯度

我們再對比一下tensor的計算和variable的計算

t_out = torch.mean(tensor*tensor)       # x^2
v_out = torch.mean(variable*variable)   # x^2
print(t_out)
print(v_out)    # 7.5

到目前爲止，我們看不出什麼不同，但是記住，variable計算的時候，它在背景幕布後面一步步默默地搭建着一個龐大的系統，叫做計算圖，computaional graph。這個圖是用來做什麼的？原來是將所有的計算步驟（節點）都連接起來，最後進行誤差反向傳遞的時候，一次性將所有variable裏面的修改幅度（梯度）都計算出來，而tensor就沒有這個能力了。

v_out = torch.mean(variable*variable) 就是在計算圖中添加的一個計算步驟，計算誤差反向傳遞的時候有他的一份功勞，我們就來舉個例子

v_out.backward()    # 模擬 v_out 的誤差反向傳遞

# 下面兩步看不懂沒關係, 只要知道 Variable 是計算圖的一部分, 可以用來傳遞誤差就好.
# v_out = 1/4 * sum(variable*variable) 這是計算圖中的 v_out 計算步驟
# 針對於 v_out 的梯度就是, d(v_out)/d(variable) = 1/4*2*variable = variable/2

print(variable.grad)    # 初始 Variable 的梯度
'''
 0.5000  1.0000
 1.5000  2.0000
'''

獲取variable裏面的數據

直接print(variable)只會輸出variable形式的數據，在很多時候是用不了的（比如用plt畫圖），所以我們要轉換一下，將它變成tensor形式

print(variable)     #  Variable 形式
"""
Variable containing:
 1  2
 3  4
[torch.FloatTensor of size 2x2]
"""

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

print(variable.data.numpy())    # numpy 形式
"""
[[ 1.  2.]
 [ 3.  4.]]
"""