pytorch中.numpy()、.item()、.cpu()、.detach()及.data的使用

目录

  • .numpy()
  • .item()
  • .cpu()
  • .detach()和.data(重点)
  • .numpy()

    Tensor.numpy()将Tensor转化为ndarray,这里的Tensor可以是标量或者向量(与item()不同)转换前后的dtype不会改变

    
    a = torch.tensor([[1.,2.]])
    
    a_numpy = a.numpy() #[[1., 2.]]
    
    

    .item()

    将一个Tensor变量转换为python标量(int float等)常用于用于深度学习训练时,将loss值转换为标量并加,以及进行分类任务,计算准确值值时需要

            optimizer.zero_grad()
            outputs = model(data)
            loss = F.cross_entropy(outputs, label)
            #计算这一个batch的准确率
            acc = (outputs.argmax(dim=1) == label).sum().cpu().item() / len(labels) #这里也用到了.item()
            loss.backward()
            optimizer.step()
            train_loss += loss.item()   #这里用到了.item()
            train_acc += acc
    

    .cpu()

    将数据的处理设备从其他设备(如.cuda()拿到cpu上),不会改变变量类型,转换后仍然是Tensor变量。

    .detach()和.data(重点)

    .detach()就是返回一个新的tensor,并且这个tensor是从当前的计算图中分离出来的。但是返回的tensor和原来的tensor是共享内存空间的。
    举个例子来说明一下detach有什么用。 如果A网络的输出被喂给B网络作为输入, 如果我们希望在梯度反传的时候只更新B中参数的值,而不更新A中的参数值,这时候就可以使用detach()

    a = A(input)
    a = a.deatch() # 或者a.detach_()进行in_place操作
    out = B(a)
    loss = criterion(out, labels)
    loss.backward()
    

    Tensor.data和Tensor.detach()一样, 都会返回一个新的Tensor, 这个Tensor和原来的Tensor共享内存空间,一个改变,另一个也会随着改变,且都会设置新的Tensor的requires_grad属性为False。这两个方法只取出原来Tensor的tensor数据, 丢弃了grad、grad_fn等额外的信息。

    tensor.data是不安全的, 因为 x.data 不能被 autograd 追踪求微分
    这是为什么呢?我们对.data进行进一步探究

    import torch
    
    a = torch.tensor([4., 5., 6.], requires_grad=True)
    print("a", a)
    out = a.sigmoid()
    print("out", out)
    print(out.requires_grad)   #在进行.data前仍为true
    result = out.data  #共享变量,同时将requires_grad设置为false
    result.zero_()  # 改变c的值,原来的out也会改变
    print("result", result)
    print("out", out)
    out.sum().backward()  # 对原来的out求导,
    print(a.grad)  # 不会报错,但是结果却并不正确
    '''运行结果为:
    a tensor([4., 5., 6.], requires_grad=True)
    out tensor([0.9820, 0.9933, 0.9975], grad_fn=<SigmoidBackward0>)
    True
    result tensor([0., 0., 0.])
    out tensor([0., 0., 0.], grad_fn=<SigmoidBackward0>)
    tensor([0., 0., 0.])
    '''
    

    由于更改分离之后的变量值result,导致原来的张量out的值也跟着改变了,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。

    那么我们继续看看.detach()

    可以看到将.data改为.detach()后程序立马报错,阻止了非法的修改,安全性很高

    我们需要记住的就是:

  • .data 是一个属性,二.detach()是一个方法;
  • .data 是不安全的,.detach()是安全的。
  • 来源:Unstoppable~~~

    物联沃分享整理
    物联沃-IOTWORD物联网 » pytorch中.numpy()、.item()、.cpu()、.detach()及.data的使用

    发表评论