torch.autograd.Variable的目的是什么？

Question

我从训练数据集中加载了features和labels。它们最初都是numpy数组，但是我使用torch.from _numpy(features.copy())和torch.tensor(labels.astype(np.bool))将它们更改为割炬张量。

我注意到torch.autograd.Variable与placeholder中的tensorflow类似。

训练网络时，我首先尝试了

features = features.cuda()
labels = labels.cuda()

outputs = Config.MODEL(features)
loss = Config.LOSS(outputs, labels)

然后我尝试了

features = features.cuda()
labels = labels.cuda()

input_var = Variable(features)
target_var = Variable(labels)
outputs = Config.MODEL(input_var)
loss = Config.LOSS(outputs, target_var)

两个障碍都成功地激活了训练，但我担心可能会有微不足道的差异。

Answer 1

根据this question，您不再需要使用Pytorch Autograd的变量。

  

Autograd自动将requires_grad设置为True的张量。

更重要的是

  

Variable(tensor)和Variable(tensor, requires_grad)仍能按预期工作，但是它们返回张量而不是变量。

这意味着，如果您的features和labels已经是张量（在您的示例中似乎是张量），那么您的Variable(features)和Variable(labels)只会再次返回张量

变量的最初目的是能够使用自动区分（Source）：

  

变量只是张量的包装器，因此您现在可以轻松地自动计算梯度。