python - torch.autograd.Variable 的目的是什么？

Question

我加载 features和 labels从我的训练数据集中。它们最初都是 numpy 数组，但我使用 torch.from _numpy(features.copy()) 将它们更改为火炬张量和 torch.tensor(labels.astype(np.bool)) .

我注意到 torch.autograd.Variable类似于 placeholder在 tensorflow .

当我训练我的网络时，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 block 都成功激活了训练，但我担心可能会有微不足道的差异。

Answer 1

根据this question你不再需要变量来使用 Pytorch Autograd。
感谢@skytree，我们可以使它更加明确:Variables have been deprecated ，即你不应该再使用它们了。

Autograd automatically supports Tensors with requires_grad set to True.

更重要的是

Variable(tensor) and Variable(tensor, requires_grad) still work as expected, but they return Tensors instead of Variables.

这意味着如果您的 features和 labels你的Variable(features) 已经是张量了(它们似乎在你的例子中)和 Variable(labels)只会再次返回一个张量。
变量的最初目的是能够使用自动微分(Source):

Variables are just wrappers for the tensors so you can now easily auto compute the gradients.