import torch

from torch.autograd import Variable

imgL   = Variable(torch.FloatTensor(imgL))
imgR   = Variable(torch.FloatTensor(imgR))   
disp_L = Variable(torch.FloatTensor(disp_L))

1.資料計算 
Torch 自稱為神經網路界的 Numpy, 因為他能將 torch 產生的 tensor 放在 GPU 中加速運算 (前提是你有合適的 GPU), 就像 Numpy 會把 array 放在 CPU 中加速運算。Torch和Numpy之間可以進行自由的切換：

import torch
import numpy as np

np_data = np.arange(6).reshape((2, 3))
torch_data = torch.from_numpy(np_data)
tensor2array = torch_data.numpy()
print(
    '\nnumpy array:', np_data,          # [[0 1 2], [3 4 5]]
    '\ntorch tensor:', torch_data,      #  0  1  2 \n 3  4  5    [torch.LongTensor of size 2x3]
    '\ntensor to array:', tensor2array, # [[0 1 2], [3 4 5]]
)

Pytorch中的數學計算： 
Pytorch中很多的數學計算與numpy中的數學計算函式是相同的：

# abs 絕對值計算
data = [-1, -2, 1, 2]
tensor = torch.FloatTensor(data)  # 轉換成32位浮點 tensor
print(
    '\nabs',
    '\nnumpy: ', np.abs(data),          # [1 2 1 2]
    '\ntorch: ', torch.abs(tensor)      # [1 2 1 2]
)

# sin   三角函式 sin
print(
    '\nsin',
    '\nnumpy: ', np.sin(data),      # [-0.84147098 -0.90929743  0.84147098  0.90929743]
    '\ntorch: ', torch.sin(tensor)  # [-0.8415 -0.9093  0.8415  0.9093]
)

# mean  均值
print(
    '\nmean',
    '\nnumpy: ', np.mean(data),         # 0.0
    '\ntorch: ', torch.mean(tensor)     # 0.0
)

# matrix multiplication 矩陣點乘
data = [[1,2], [3,4]]
tensor = torch.FloatTensor(data)  # 轉換成32位浮點 tensor
# correct method
print(
    '\nmatrix multiplication (matmul)',
    '\nnumpy: ', np.matmul(data, data),     # [[7, 10], [15, 22]]
    '\ntorch: ', torch.mm(tensor, tensor)   # [[7, 10], [15, 22]]
)
更多Pytorch中的資料計算函式，可以檢視以下文件（torch.Tensor）： 
http://pytorch.org/docs/tensors.html#

2.Variable 變數 
Pytorch的Variable相當於一個Wraper，如果你想將資料傳送到Pytorch構建的圖中，就需要先將資料用Variable進行包裝，包裝後的Variable有三個attribute：data，creater，grad:（如下圖所示）

其中data就是我們被包裹起來的資料，creator是用來記錄通過何種計算得到當前的variable,grad則是在進行反向傳播的時候用來記錄資料的梯度的。

import torch
from torch.autograd import Variable

x = Variable(torch.ones(2, 2), requires_grad=True)
print(x)
print(x.data)
print(x.creator)
print(x.grad)

y = x + 2
print(y)
print(y.creator)

z = y * y * 3
out = z.mean()
print(z, out)

out.backward()
print(x.grad)