pytorch Variable与Tensor合并后requires_grad()默认与修改方法(pytorch,tensor,variable,开发技术)

pytorch更新完后Variable与Tensor合并了。现在torch.Tensor()能像Variable一样进行反向传播的更新，返回值为Tensor，Variable自动创建tensor，且返回值为Tensor，（所以以后不需要再用Variable）。Tensor创建后,默认requires_grad=Flase，可以通过xxx.requires_grad_()将默认的Flase修改为True。来看看官方文档是怎么介绍的吧。

结果如下：

tensor([[1., 2., 3.],
[4., 5., 6.]])
False
True

创建一个Variable，Variable必须接收Tensor数据 不能直接写为 a=Variable(range(6)).reshape((-1,3))

否则报错 Variable data has to be a tensor, but got range

结果：

tensor([[0., 1., 2., 3.],
[4., 5., 6., 7.]])
False
True

由上面可以看出，Tensor完全可以取代Variable。

或者直接用Tensor创建时给定requires_grad=True

结果

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

补充：volatile 和 requires_grad在pytorch中的意思

pytorch的BP过程是由一个函数决定的，loss.backward()， 可以看到backward()函数里并没有传要求谁的梯度。那么我们可以大胆猜测，在BP的过程中，pytorch是将所有影响loss的Variable都求了一次梯度。

但是有时候，我们并不想求所有Variable的梯度。那就要考虑如何在Backward过程中排除子图（ie.排除没必要的梯度计算）。

如何BP过程中排除子图？ Variable的两个参数（requires_grad和volatile）

requires_grad=True 要求梯度

requires_grad=False 不要求梯度

volatile=True相当于requires_grad=False。反之则反之。。。。。。。ok

注意：如果a是requires_grad=True，b是requires_grad=False。则c=a+b是requires_grad=True。同样的道理应用于volatile

也许有人会问，梯度全部计算，不更新的话不就得了。

这样就涉及了效率的问题了，计算很多没用的梯度是浪费了很多资源的（时间，计算机内存）