一、瞭解Variable

顧名思義，Variable就是 變數 的意思。實質上也就是可以變化的量，區別於int變數，它是一種可以變化的變數，這正好就符合了反向傳播，引數更新的屬性。

具體來說，在pytorch中的Variable就是一個存放會變化值的地理位置，裡面的值會不停發生片花，就像一個裝雞蛋的籃子，雞蛋數會不斷髮生變化。那誰是裡面的雞蛋呢，自然就是pytorch中的tensor了。（也就是說，pytorch都是有tensor計算的，而tensor裡面的引數都是Variable的形式）。如果用Variable計算的話，那返回的也是一個同類型的Variable。

【tensor 是一個多維矩陣】

用一個例子說明，Variable的定義：

import torch
from torch.autograd import Variable # torch 中 Variable 模組
tensor = torch.FloatTensor([[1,2],[3,4]])
# 把雞蛋放到籃子裡,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]
"""

注：tensor不能反向傳播，variable可以反向傳播。

二、Variable求梯度

Variable計算時，它會逐漸地生成計算圖。這個圖就是將所有的計算節點都連線起來，最後進行誤差反向傳遞的時候，一次性將所有Variable裡面的梯度都計算出來，而tensor就沒有這個能力。

v_out.backward() # 模擬 v_out 的誤差反向傳遞

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

三、獲取Variable裡面的資料

直接print(Variable) 只會輸出Variable形式的資料，在很多時候是用不了的。所以需要轉換一下，將其變成tensor形式。

print(variable)  # Variable 形式
"""
Variable containing:
 1 2
 3 4
[torch.FloatTensor of size 2x2]
"""
 
print(variable.data) # 將variable形式轉為tensor 形式
"""
 1 2
 3 4
[torch.FloatTensor of size 2x2]
"""
 
print(variable.data.numpy()) # numpy 形式
"""
[[ 1. 2.]
 [ 3. 4.]]
"""

擴充套件

在PyTorch中計算圖的特點總結如下：

autograd根據使用者對Variable的操作來構建其計算圖。

1、requires_grad

variable預設是不需要被求導的，即requires_grad屬性預設為False，如果某一個節點的requires_grad為True，那麼所有依賴它的節點requires_grad都為True。

2、volatile

variable的volatile屬性預設為False，如果某一個variable的volatile屬性被設為True，那麼所有依賴它的節點volatile屬性都為True。volatile屬性為True的節點不會求導，volatile的優先順序比requires_grad高。

3、retain_graph

多次反向傳播（多層監督）時，梯度是累加的。一般來說，單次反向傳播後，計算圖會free掉，也就是反向傳播的中間快取會被清空【這就是動態度的特點】。為進行多次反向傳播需指定retain_graph=True來儲存這些快取。

4、backward()

反向傳播，求解Variable的梯度。放在中間快取中。

以上這篇PyTorch中的Variable變數詳解就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支援我們。