pytorch中基本的变量类型当属FloatTensor（以下都用floattensor），而Variable（以下都用variable）是floattensor的封装，除了包含floattensor还包含有梯度信息
pytorch中的dochi给出一些对于floattensor的基本的操作，比如四则运算以及平方等(链接)，这些操作对于floattensor是十分的不友好，有时候需要写一个正则化的项需要写很长的一串，比如两个floattensor之间的相加需要用torch.add()来实现
然而正确的打开方式并不是这样
韩国一位大神写了一个pytorch的turorial，其中包含style transfer的一个代码实现
for step in range(config.total_step):
# Extract multiple(5) conv feature vectors
target_features = vgg(target) # 每一次输入到网络中的是同样一张图片，反传优化的目标是输入的target
content_features = vgg(Variable(content))
style_features = vgg(Variable(style))
style_loss = 0
content_loss = 0
for f1, f2, f3 in zip(target_features, content_features, style_features):
# Compute content loss (target and content image)
content_loss += torch.mean((f1 - f2)**2) # square 可以进行直接加-操作？可以，并且mean对所有的元素进行均值化造作
# Reshape conv features
_, c, h, w = f1.size() # channel height width
f1 = f1.view(c, h * w) # reshape a vector
f3 = f3.view(c, h * w) # reshape a vector
# Compute gram matrix
f1 = torch.mm(f1, f1.t())
f3 = torch.mm(f3, f3.t())
# Compute style loss (target and style image)
style_loss += torch.mean((f1 - f3)**2) / (c * h * w) # 总共元素的数目？
其中f1与f2,f3的变量类型是Variable，作者对其直接用四则运算符进行加减，并且用python内置的**进行平方操作，然后
# -*-coding: utf-8 -*- import torch from torch.autograd import Variable # dtype = torch.FloatTensor dtype = torch.cuda.FloatTensor # Uncomment this to run on GPU # N is batch size; D_in is input dimension; # H is hidden dimension; D_out is output dimension. N, D_in, H, D_out = 64, 1000, 100, 10 # Randomly initialize weights w1 = torch.randn(D_in, H).type(dtype) # 两个权重矩阵 w2 = torch.randn(D_in, H).type(dtype) # operate with +-*/ and ** w3 = w1-2*w2 w4 = w3**2 w5 = w4/w1 # operate the Variable with +-*/ and ** w6 = Variable(torch.randn(N, D_in).type(dtype)) w7 = Variable(torch.randn(N, D_in).type(dtype)) w8 = w6 + w7 w9 = w6*w7 w10 = w9**2 print(1)
基本上调试的结果与预期相符
所以，对于floattensor以及variable进行普通的+-×/以及**没毛病
以上这篇Pytorch基本变量类型FloatTensor与Variable用法就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持。
