目录
1.简介
torch.autograd.Variable是Autograd的核心类，它封装了Tensor，并整合了反向传播的相关实现
Variable和tensor的区别和联系
Variable是篮子，而tensor是鸡蛋，鸡蛋应该放在篮子里才能方便拿走（定义variable时一个参数就是tensor）
Variable这个篮子里除了装了tensor外还有requires_grad参数，表示是否需要对其求导，默认为False
Variable这个篮子呢，自身有一些属性
比如grad，梯度variable.grad是d(y)/d(variable)保存的是变量y对variable变量的梯度值，如果requires_grad参数为False，所以variable.grad返回值为None，如果为True，返回值就为对variable的梯度值
比如grad_fn，对于用户自己创建的变量（Variable()）grad_fn是为none的，也就是不能调用backward函数，但对于由计算生成的变量，如果存在一个生成中间变量的requires_grad为true，那其的grad_fn不为none，反则为none
比如data，这个就很简单，这个属性就是装的鸡蛋（tensor）
Varibale包含三个属性：
data：存储了Tensor，是本体的数据
grad：保存了data的梯度，本事是个Variable而非Tensor，与data形状一致
grad_fn：指向Function对象，用于反向传播的梯度计算之用
代码1
import numpy as np
import torch
from torch.autograd import Variable
x = Variable(torch.ones(2,2),requires_grad = False)
temp = Variable(torch.zeros(2,2),requires_grad = True)
y = x + temp + 2
y = y.mean() #求平均数
y.backward() #反向传递函数，用于求y对前面的变量（x）的梯度
print(x.grad) # d(y)/d(x)输出1
none
(因为requires_grad=False)
代码2
import numpy as np
import torch
from torch.autograd import Variable
x = Variable(torch.ones(2,2),requires_grad = False)
temp = Variable(torch.zeros(2,2),requires_grad = True)
y = x + temp + 2
y = y.mean() #求平均数
y.backward() #反向传递函数，用于求y对前面的变量（x）的梯度
print(temp.grad) # d(y)/d(temp)输出2
tensor([[0.2500, 0.2500],
[0.2500, 0.2500]])
代码3
import numpy as np
import torch
from torch.autograd import Variable
x = Variable(torch.ones(2,2),requires_grad = False)
temp = Variable(torch.zeros(2,2),requires_grad = True)
y = x + 2
y = y.mean() #求平均数
y.backward() #反向传递函数，用于求y对前面的变量（x）的梯度
print(x.grad) # d(y)/d(x)输出3
Traceback (most recent call last):
File "path", line 12, in <module>
y.backward()
(报错了，因为生成变量y的中间变量只有x，而x的requires_grad是False，所以y的grad_fn是none)
代码4
import numpy as np
import torch
from torch.autograd import Variable
x = Variable(torch.ones(2,2),requires_grad = False)
temp = Variable(torch.zeros(2,2),requires_grad = True)
y = x + 2
y = y.mean() #求平均数
#y.backward() #反向传递函数，用于求y对前面的变量（x）的梯度
print(y.grad_fn) # d(y)/d(x)输出4
none
2.grad属性
在每次backward后，grad值是会累加的，所以利用BP算法，每次迭代是需要将grad清零的。
x.grad.data.zero_()
(in-place操作需要加上_，即zero_)