Pytorch 中的 Tensor , Variable和Parameter

1. Tensor

pytorch中的Tensor类似于numpy中的array，使用Tensor是因为tensor能够更方便地在GPU上进行运算。pytorch为tensor设计了许多方便的操作，同时tensor也可以轻松地和numpy数组进行相互转换。

2. Variable

Variable是对Tensor的封装，操作与tensor基本一致，不同的是，每一个Variable被构建的时候，都包含三个属性：

Variable中所包含的tensor
tensor的梯度 .grad
以何种方式得到这种梯度 .grad_fn
之所以有Variable这个数据结构，是为了引入计算图（自动求导），方便构建神经网络。

通过调用backward()，我们可以对某个Variable行一次自动求导，但如果我们再对这个Variable进行一次backward()操作，会发现程序报错。这是因为：

PyTorch默认做完一次自动求导后，就把计算图丢弃了。我们可以通过设置retain_graph来实现多次求导。

3. Parameter

网络中存在很多参数，这些参数需要在网络训练的过程中实时更新（一个batch更新一次）,Variable默认是不需要求梯度的，需要手动设置参数 requires_grad=True，Variable因为要多次反向传播，那么在bcakward的时候还要手动注明参数，如w.backward(retain_graph=True),Pytorch主要通过引入nn.Parameter类型的变量和optimizer机制来解决了这个问题。Parameter是Variable的子类，本质上和后者一样，只不过parameter默认是求梯度的，同时一个网络net中的parameter变量是可以通过 net.parameters() 来很方便地访问到的，只需将网络中所有需要训练更新的参数定义为Parameter类型，再佐以optimizer，就能够完成所有参数的更新了，具体如下：

class Net(Module):def __init__(self, a, b, ...):super(net, self).__init__()self...   #  parametersself...    # layersdef forward(self):x = ...x = ...    # 数据流return x
net = Net(a, b, ...)
net.train()
...
optimizer = torch.optim.SGD(net.parameters(), lr=1e-1)
# 然后在每一个batch中，调用optimizer.step()即可完成参数更新了（loss.backward()之后）