PyTorch中Variable变量的作用是什么，很多新手对此不是很清楚，为了帮助大家解决这个难题，下面小编将为大家详细讲解，有这方面需求的人可以来学习下，希望你能有所收获。
Variable的定义：
importtorch
fromtorch.autogradimportVariable#torch中Variable模块
tensor=torch.FloatTensor([[1,2],[3,4]])
#把鸡蛋放到篮子里,requires_grad是参不参与误差反向传播,要不要计算梯度
variable=Variable(tensor,requires_grad=True)
print(tensor)
"""
12
34
[torch.FloatTensorofsize2x2]
"""
print(variable)
"""
Variablecontaining:
12
34
[torch.FloatTensorofsize2x2]
"""
注：tensor不能反向传播，variable可以反向传播。
二、Variable求梯度
Variable计算时，它会逐渐地生成计算图。这个图就是将所有的计算节点都连接起来，最后进行误差反向传递的时候，一次性将所有Variable里面的梯度都计算出来，而tensor就没有这个能力。
v_out.backward()#模拟v_out的误差反向传递
print(variable.grad)#初始Variable的梯度
'''
0.50001.0000
1.50002.0000
'''
三、获取Variable里面的数据
直接print(Variable) 只会输出Variable形式的数据，在很多时候是用不了的。所以需要转换一下，将其变成tensor形式。
print(variable)#Variable形式
"""
Variablecontaining:
12
34
[torch.FloatTensorofsize2x2]
"""
print(variable.data)#将variable形式转为tensor形式
"""
12
34
[torch.FloatTensorofsize2x2]
"""
print(variable.data.numpy())#numpy形式
"""
[[1.2.]
[3.4.]]
"""
扩展
在PyTorch中计算图的特点总结如下：
autograd根据用户对Variable的操作来构建其计算图。
1、requires_grad
variable默认是不需要被求导的，即requires_grad属性默认为False，如果某一个节点的requires_grad为True，那么所有依赖它的节点requires_grad都为True。
2、volatile
variable的volatile属性默认为False，如果某一个variable的volatile属性被设为True，那么所有依赖它的节点volatile属性都为True。volatile属性为True的节点不会求导，volatile的优先级比requires_grad高。
3、retain_graph
多次反向传播（多层监督）时，梯度是累加的。一般来说，单次反向传播后，计算图会free掉，也就是反向传播的中间缓存会被清空【这就是动态度的特点】。为进行多次反向传播需指定retain_graph=True来保存这些缓存。
4、backward()
反向传播，求解Variable的梯度。放在中间缓存中。
看完上述内容是否对您有帮助呢？如果还想对相关知识有进一步的了解或阅读更多相关文章，请关注恰卡编程网行业资讯频道，感谢您对恰卡编程网的支持。
