当前位置：首页 > news >正文

做外贸都做哪些网站好免费下载营销培训课程视频

news 2025/7/1 22:31:30

做外贸都做哪些网站好免费下载,营销培训课程视频,php网站后台,数以百万计的网店何去何从文章目录序言相同点不同点测试实例应用序言 .detach()和.data都可以用来分离tensor数据，下面进行比较pytorch0.4及之后的版本，.data仍保留，但建议使用.detach() 相同点 x.detach()和x.data返回和x相同数据的tensor，这个新的t…

文章目录

- - - 序言
    - 相同点
    - 不同点
    - 测试实例
    - 应用

序言

.detach()和.data都可以用来分离tensor数据，下面进行比较
pytorch0.4及之后的版本，.data仍保留，但建议使用.detach()

相同点

x.detach()和x.data返回和x相同数据的tensor，这个新的tensor和原来的tensor共用数据，一者改变，另一者也会跟着改变
新分离得到的tensor的requires_grad = False, 即不可求导的

不同点

(1) .data是一个属性，.detach()是一个方法
(2) x.data不能被autograd追踪求微分，即使被改了也能错误求导；x.detach()也不能被autograd追踪求微分，被改了会直接报错，避免错误的产生
(3) .data是不安全的，.detach()是安全的

测试实例

.data测试

import torcha = torch.tensor([1 ,2 ,3.], requires_grad = True)  # float类型,支持求导
out = a.sigmoid()
print(out)    # 输出(0.0, 1.0)结果
b = out.data  # 分离tensor
b.zero_()     # 改变b的值，原来的out也会改变
print(b.requires_grad)  # .data后requires_grad=False
print(b)                # 归0后的值 tensor([0., 0., 0.])
print(out.requires_grad)    # out的requires_grad=True
print(out)                  # b的值改变了out也变了 tensor([0., 0., 0.])
print("----------------------------------------------")out.sum().backward()  # 对原来的out求导
print(a.grad)         # 不会报错，但结果不正确

更改分离之后的变量值b，导致原来的张量out的值也跟着改变
但是这种改变对于autograd是没有察觉的，它依然按照求导规则来求导，导致得出完全错误的导数值却浑然不知
它的风险性就是如果我再任意一个地方更改了某一个张量，求导的时候也没有通知我已经在某处更改了，导致得出的导数值完全不正确

.detach()测试

import torcha = torch.tensor([4, 5, 6.], requires_grad=True)
out = a.sigmoid()
print(out)
c = out.detach()
c.zero_()               # 改变c的值，原来的out也会改变
print(c.requires_grad)  # detach后requires_grad=False
print(c)                # 已经归0
print(out.requires_grad)    # 输出为True
print(out)
print("----------------------------------------------")out.sum().backward()  # 对原来的out求导，
print(a.grad)         # 此时会报错: 梯度计算所需要的张量已经被“原位操作inplace”所更改了# RuntimeError: one of the variables needed for gradient computation has been modified by an inplace operation