variable就是變數的意思。實質上也就是可以變化的量，區別於int變數，它是一種可以變化的變數，這正好就符合了反向傳播，引數更新的屬性。
pytorch都是由tensor計算的，而tensor裡面的引數都是variable的形式。如果用variable計算的話，那返回的也是乙個同型別的variable。
舉例說明：
import torch
from torch.autograd import variable # torch 中 variable 模組
tensor = torch.floattensor([[
1,2]
,[3,
4]])
# requires_grad是參不參與誤差反向傳播, 要不要計算梯度
variable = variable(tensor, requires_grad=
true
)print
(tensor)
""" 1 2
3 4[torch.floattensor of size 2x2]
"""print
(variable)
"""variable containing:
1 23 4
[torch.floattensor of size 2x2]
"""
variable計算時，它會逐漸地生成計算圖。這個圖就是將所有的計算節點都連線起來，最後進行誤差反向傳遞的時候，一次性將所有variable裡面的梯度都計算出來，而tensor就沒有這個能力。
variable()中的引數：
1、requires_grad（指定該節點及依賴它的節點是否求導）
variable預設是不需要被求導的，即requires_grad屬性預設為false，如果某乙個節點的requires_grad為true，那麼所有依賴它的節點requires_grad都為true。
2、volatile（指定該節點及依賴它的節點是否不求導）
variable的volatile屬性預設為false，如果某乙個variable的volatile屬性被設為true，那麼所有依賴它的節點volatile屬性都為true。volatile屬性為true的節點不會求導，volatile的優先順序比requires_grad高。
3、retain_graph
多次反向傳播（多層監督）時，梯度是累加的。一般來說，單次反向傳播後，計算圖會free掉，也就是反向傳播的中間快取會被清空【這就是動態度的特點】。為進行多次反向傳播需指定retain_graph=true來儲存這些快取。
4、backward()
反向傳播，求解variable的梯度。放在中間快取中。
Pytorch 中 torchvision的錯誤
在學習pytorch的時候，使用 torchvision的時候發生了乙個小小的問題 安裝都成功了，並且import torch也沒問題，但是在import torchvision的時候，出現了如下所示的錯誤資訊 dll load failed 找不到指定模組。首先，我們得知道torchvision在...
pytorch中的乘法
總結 按元素相乘用torch.mul，二維矩陣乘法用torch.mm，batch二維矩陣用torch.bmm，batch 廣播用torch.matmul if name main a torch.tensor 1 2,3 b torch.arange 0,12 reshape 4 3 c torch...
pytorch中index select 的用法
a torch.linspace 1,12,steps 12 view 3,4 print a b torch.index select a,0,torch.tensor 0,2 print b print a.index select 0,torch.tensor 0,2 c torch.inde...