深度學習中的變數類型——torch.Tensor和torch.Variable

一、torch.Tensor

torch.Tensor是PyTorch中表示張量的基礎數據類型，也是PyTorch中最常用的數據類型之一。它是一個多維數組，而且可以在CPU或GPU內存中存儲數據。

定義一個Tensor可以通過torch.Tensor函數或者torch.tensor函數，參數可以是list、tuple、ndarray或者標量。

import torch
a = torch.Tensor([1,2,3])
b = torch.tensor([[1, 2], [3, 4]])
c = torch.tensor(3)

Tensor的屬性包括shape、dtype、device、layout等，可以通過這些屬性對tensor進行操作。

print(a.shape)   #(3,)
print(b.dtype)   #torch.int64
print(c.device)  #cpu
a = a.to('cuda') #將a放到GPU上

二、torch.autograd.Variable與torch.Tensor的關係

在PyTorch 0.4版本之前，Variable是PyTorch中的一個重要組成部分，主要是為了方便定義需要求導的計算圖，通過Variable記錄Tensor的歷史版本，從而支持反向傳播計算梯度。

而從PyTorch 0.4版本開始，Variable被整合到了Tensor中，新版本中，用戶可以使用requires_grad參數在創建Tensor時決定是否需要求導。

a = torch.tensor([1,2,3], requires_grad=True)
b = torch.tensor([4,5,6], requires_grad=True)

c = a + b
d = c.mean()

d.backward()
print(a.grad)
print(b.grad)

三、torch.nn.Parameter

torch.nn.Parameter是一種特殊的Tensor，它被設置為一個模型的可學習參數。與普通的Tensor不同，在計算圖的生成中它是存在於nn.Module中的，並且默認有requires_grad=True屬性。

創建一個nn.Parameter時，需要指定形狀。通常在模型定義中調用這個函數創建需要學習的參數，例如權重和偏差。

import torch.nn as nn

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.weight = nn.Parameter(torch.randn(3, 5))
        self.bias = nn.Parameter(torch.zeros(3))

    def forward(self, x):
        return torch.mm(x, self.weight) + self.bias

net = Net()
print(net)

四、總結

本文主要介紹了在PyTorch中三種重要的變數類型：torch.Tensor、torch.autograd.Variable和torch.nn.Parameter。Tensor是PyTorch中的基礎數值類型，可以在CPU或GPU上存儲數據；Variable是Tensor的歷史版本，在0.4版本之後被整合到Tensor中，需要使用requires_grad屬性來決定是否需要求導；Parameter是一種特殊的Tensor，是nn.Module中的可學習參數，通常在模型定義中被使用。