文章目录
一. pytorch中.data()与.item(),.numpy(),.detach(),.cuda(),.cpu()的作用
我们在深度pytorch代码中经常看到以下表示,简单记录一下:
1. tensor.data
把变量设置成tensor类型,requires_grad设置为Flase,相当于为标量,训练过程中梯度不再进行更新。
在Pytorch中,tensor的存在就类似于numpy中array的存在。但是Pytorch中tensor还有个额外的属性:梯度。为了参与神经网络训练,每一个tensor一般都会有自己的梯度(除了叶节点)。这种情况下,我们在把tensor转化为numpy.array的时候就要先把tensor的梯度去掉,然后再做转化。tensor可以直接被转化成numpy.array是因为我们用的那些tensor都是直接创建的,属于叶节点,不包含梯度,所以可以直接转化。.detach()返回一个与当前 graph 分离的、不再需要梯度的新tensor(当然tensor.data也可以做相同的事情,但是推荐使用.detach,因为.data会偶尔引入bug)。
a = torch.tensor([1.0], requires_grad=True)
b = a.data
print(b, b.requires_grad)
## 输出为: tensor([1.]) False
2. .item()
把tensor转为python的float类型:
a = torch.tensor([1.0], requires_grad=True)
c = a.item()
print(c, type(c))
## 输出为:1.0 <class 'float'>
3. .numpy()
将张量转换为与其共享底层存储的 n 维 numpy 数组。
4. .detach()
当我们在训练神经网络的时候可能希望保持一部分的网络参数不变,只对其中一部分参数进行调整;或者只训练部分分支网络,并不让其梯度对主网络的梯度造成影响,这时候我们就需要使用.detach()函数来切断一些分支的反向传播。
返回一个与当前计算图分离的、不再需要梯度的新张量。
返回一个新的tensor,从当前计算图中分离下来的,但是仍指向原变量的存放位置,不同之处只是requires_grad为false,得到的这个tensor永远不需要计算其梯度,不具有grad。
5. .cuda()
将张量拷贝到 GPU 上。
6. .cpu()
将张量拷贝到 CPU 上。
7. .clone()
.clone()会复制一个tensor出来,这个新的tensor是带梯度的,它是和原来的动态图依然链接在一起的。