一、简介

深度学习中使用pytorch框架，使用的数据一般是torch中的tensor形式。但是在参数表示中，一般是用variable变量形式。

二、variable的使用

（1）如何将tensor转化为variable

pytorch1.0之后tensor和variable没有区别了！！！

import torch
from torch.autograd import Variabletensor_data = torch.FloatTensor([[1, 2], [3, 4]])
# 将tensor数据转化为variable数据
variable = Variable(tensor_data, requires_grad=True)print("tensor_data为\n", tensor_data)
print("variable为\n", variable)

（2）requires_grad=True

在用Variable封装tensor中，将参数requires_grad设为True，这样的话，封装之后的variable会进行反向传播进而优化。

import torch
from torch.autograd import Variabletensor_data = torch.FloatTensor([[1, 2], [3, 4]])
# 将tensor数据转化为variable数据
variable = Variable(tensor_data, requires_grad=True)print("tensor_data为\n", tensor_data)
print("variable为\n", variable)print("-----------" * 5)
print("tensor相乘之后的结果")
print(torch.mean(tensor_data * tensor_data))
print("variable相乘之后的结果")
print(torch.mean(variable * variable))

（3）反向传播

import torch
from torch.autograd import Variabletensor_data = torch.FloatTensor([[1, 2], [3, 4]])
# 将tensor数据转化为variable数据
variable = Variable(tensor_data, requires_grad=True)print("tensor_data为\n", tensor_data)
print("variable为\n", variable)print("-----------" * 5)
print("tensor相乘之后的结果")
t_out = torch.mean(tensor_data * tensor_data)
print(t_out)
print("variable相乘之后的结果")
v_out = torch.mean(variable * variable)
print(v_out)# 对v_out进行反向传播
v_out.backward()
print('v_out进行反向传播之后，variable的梯度')
# 因为v_out由variable而来的，所以v_out反向传播之后，variable也会受影响
print(variable.grad)

（4）variable和tensor还是有一点区别的！

import torch
from torch.autograd import Variabletensor_data = torch.FloatTensor([[1, 2], [3, 4]])
# 将tensor数据转化为variable数据
variable = Variable(tensor_data, requires_grad=True)print("tensor_data为\n", tensor_data)
print("variable为\n", variable)print("-----------" * 5)
print("tensor相乘之后的结果")
t_out = torch.mean(tensor_data * tensor_data)
print(t_out)
print("variable相乘之后的结果")
v_out = torch.mean(variable * variable)
print(v_out)# 对v_out进行反向传播
v_out.backward()
print('v_out进行反向传播之后，variable的梯度')
# 因为v_out由variable而来的，所以v_out反向传播之后，variable也会受影响
print(variable.grad)print("-----------------" * 5)
# variable和tensor类型一样
print("variable的类型为", type(variable))
print(type(variable.data))
# 直接将variable使用numpy()转化为numpy类型，会报错
# variable和tensor还是有一点区别的！
print(variable.numpy())

（5）对上面（4）的修改

import torch
from torch.autograd import Variabletensor_data = torch.FloatTensor([[1, 2], [3, 4]])
# 将tensor数据转化为variable数据
variable = Variable(tensor_data, requires_grad=True)print("tensor_data为\n", tensor_data)
print("variable为\n", variable)print("-----------" * 5)
print("tensor相乘之后的结果")
t_out = torch.mean(tensor_data * tensor_data)
print(t_out)
print("variable相乘之后的结果")
v_out = torch.mean(variable * variable)
print(v_out)# 对v_out进行反向传播
v_out.backward()
print('v_out进行反向传播之后，variable的梯度')
# 因为v_out由variable而来的，所以v_out反向传播之后，variable也会受影响
print(variable.grad)print("-----------------" * 5)
# variable和tensor类型一样
print("variable的类型为", type(variable))
print(type(variable.data))
# 直接将variable使用numpy()转化为numpy类型，会报错
# variable和tensor还是有一点区别的！
# 修改这里
print(variable.data.numpy())