PyTorch中張量和變數的區別

張量用於定義n維矩陣或多維陣列，這些陣列又用於數學運算。它們表示許多型別的陣列，例如標量、向量和n維陣列。它們的功能與NumPy陣列或TensorFlow張量類似。PyTorch張量支援自動微分，這對於神經網路中的反向傳播至關重要，可以提高準確性並減少錯誤。它們用於儲存和操作PyTorch中的資料。

演算法

• 匯入PyTorch。

• 定義一個列表。

• 將其轉換為張量。

• 列印張量。

示例

import torch
lst=[1,2,3,4,5]
tensor=torch.tensor(lst)
print(tensor)

輸出

tensor([1,2,3,4,5])

變數

它們是PyTorch中的主要資料型別。在更新到PyTorch 0.4.0之前，它們用於包裝張量並提供自動微分和跟蹤計算圖。在棄用之前，變數主要用於部署基於梯度的最佳化演算法。PyTorch更新到0.4.0之後，其大部分功能與張量合併。現在，張量可以在沒有變數的情況下執行所有這些功能，因此不再使用它。棄用的主要原因是降低PyTorch的API複雜性，並減少張量和變數之間的混淆。

演算法

• 匯入PyTorch

• 從PyTorch匯入Variable。

• 建立一個簡單的列表。

• 將其轉換為張量後，包裝變數函式。

• 列印變數。

示例

import torch
from torch.autograd import Variable
lst=[1,2,3,4,5]
var=Variable(torch.tensor(lst))
print(var)

輸出

tensor([1,2,3,4,5])

讓我們透過更復雜的例子來了解張量和變數的使用，並親身體驗一下。

使用張量的示例

眾所周知，所有程式都是透過計算機的CPU執行的。為了顯著加快計算時間，我們可以利用GPU（圖形處理器）的強大功能來執行程式。

注意：如果您使用的是Google Colab，請將執行時更改為GPU執行時，否則程式將丟擲錯誤。

演算法

• 從PyTorch匯入張量。

• 建立兩個浮點型資料型別的張量。

• 找到它們的和並列印。

• 使用cuda()函式執行GPU加速。

• 列印所有GPU加速結果。

示例

import torch
from torch import tensor, cuda
#to prevent the program from throwing error
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
t1=tensor(6.)
t2=tensor(9.)

res=t1+t2
print(res)

if cuda.is_available():
   t1=t1.cuda()
   print(t1)
   t2=t2.cuda()
   print(t2)
   res=t1+t2
   print(res)

輸出

tensor(15.)
tensor(6., device='cuda:0')
tensor(9., device='cuda:0')
tensor(15., device='cuda:0')

使用變數的示例

為了在一個給定函式中執行微分，我們使用grad函式。透過計算輸入的計算圖，返回一個Python函式作為其導數，這與傳統的微分返回代數導數不同。

在這裡，我們在對結果變數執行反向傳遞後返回變數的函式，其中計算梯度，梯度將不會被計算，導致微分返回為'None'

演算法

• 匯入PyTorch。

• 從PyTorch匯入Variable。

• 使用Variable函式包裝兩個張量。

• 要查詢梯度型別，需要設定'requires_grad'=True

• 找到兩個張量的和。

• 在網路中反向傳遞結果以計算梯度。

• 列印兩個張量的梯度值。

示例

import torch
from torch.autograd import Variable
var1 = Variable(torch.tensor(6.), requires_grad=True)
var2 = Variable(torch.tensor(9.), requires_grad=True)
result = var1 + var2
print(result)
result.backward()
print(var1.grad)
print(var2.grad)

輸出

tensor(15., grad_fn=<AddBackward07>)
tensor(1.)
tensor(1.)

結論

在PyTorch 0.4.0中棄用Variable函式之前，變數和張量具有不同的功能。變數用於包裝多維張量以執行微分。自更新以來，PyTorch中不再需要使用變數，因此它們已過時。