pytorch学习（二）variable变量

目前神经网络基本上都是基于计算图谱进行学习的，tensorfloat是基于静态图谱的，pytorch是基于动态图谱的。一张图可以看成是一张有向无环图，图中的节点可以分为不同的几种，而variable就是其中的一种。
torch都是用tensor进行计算的，而神经网络里边的参数都是variable变量的形式，而神经网络首先要做的就是变成variable类型。将tensor参数放到variable变量里边，神经网络优化的时候一般都是优化variable的节点，这样才能进行反向传播并且更新，实现网络的学习。

import torch
from torch.autograd import Variable

tensor = torch.FloatTensor([[1, 2], [3, 4]])
# 建立variable，第二个参数默认值为Flase
variable = Variable(tensor, requires_grad=Ture) # requires_grad参数是用来设定是否计算梯度以用于反向传播的
print(tensor)
print(variable)

我们输出这两个结果会发现这两个结果是差不多的，只是variable多了一个variable containing也就是说variable的data和tensor是一样的，只不过现在变成了variable类型的，是可以反向传播的，而tensor是不可以反向传播的。
下面我们对其进行一些运算看一下有没有什么变化和区别。

t_out = torch.mean(tensor*tensor
v_out = torch.mean(variable*variable)

计算之后的结果也没有什么太大的区别，只是variable可以进行反向传播。对其进行反向传播。

v_out.backward()  # 进行反向传播
print(variable.grad)

这里对v_out进行反向传播而打印的梯度是variable的，是因为这二者是在这一图中，是存在联系的，v_out的变化会影像variable，因此variable的梯度会产生变化，这也是神经网络学习时反向传播的原理。
variable的是Variable类型的，而variable.data是tensor的形式，是可以转化为numpy的。