Pytorch 中的 Tensor , Variable和Parameter区别与联系
前面的博客简单讲了Variable和Parameter的区别，这次加入tenor，详细的分析三者的区别和联系。文中参考了Pytorch 中的 Tensor , Variable & Parameter
1.Tensorpytorch中的Tensor类似于numpy中的array，而不直接用tensor的原因，是因为tensor能够更方便地在GPU上进行运算。pytorch为tensor设计了许多方便的操作，同时tensor也可以轻松地和numpy数组进行相互转换。
2.VariableVariable是对Tensor的封装，操作与tensor基本一致，不同的是，每一个Variable被构建的时候，都包含三个属性：
Variable中所包含的tensor tensor的梯度.grad
以何种方式得到这种梯度 .grad_fn
之所以有Variable这个数据结构，是为了引入计算图（自动求导），方便构建神经网络。
简单举个例子：
from torch.autograd import Variable
a = torch.randn(10, 5)
b = torch.randn(10, 5)
x = Variable(a, requires_grad=True)
y = Variable(b, requires_grad=True)
z = x + y
z.backward()
x.grad # x的梯度 10x1 的全1 tensor
z.grad_fn #
通过调用backward()，我们可以对某个Variable（譬如说y）进行一次自动求导，但如果我们再对这个Variable进行一次backward()操作，会发现程序报错。这是因为PyTorch默认做完一次自动求导后，就把计算图丢弃了。我们可以通过设置retain_graph来实现多次求导。
3.Parameter
我们知道网络中存在很多参数，这些参数需要在网络训练的过程中实时更新（一个batch更新一次），完成“学习”的过程，譬如最直观的梯度下降法更新参数w：
w.data = w.data - lr * w.grad.data # lr 是学习率
网络中若是有100个参数，都要手写更新代码吗？1000个呢？10000个呢......
Variable默认是不需要求梯度的，那还需要手动设置参数 requires_grad=True
Variable因为要多次反向传播，那么在bcakward的时候还要手动注明参数w.backward(retain_graph=True)
Pytorch主要通过引入nn.Parameter类型的变量和optimizer机制来解决了这个问题。Parameter是Variable的子类，本质上和后者一样，只不过parameter默认是求梯度的，同时一个网络net中的parameter变量是可以通过 net.parameters() 来很方便地访问到的，只需将网络中所有需要训练更新的参数定义为Parameter类型，再佐以optimizer，就能够完成所有参数的更新了，具体如下：
class Net(Module):
def __init__(self, a, b, ...):
super(net, self).__init__()
self... # parameters
self... # layers
def forward(self):
x = ...
x = ... # 数据流
return x
net = Net(a, b, ...)
net.train()
...
optimizer = torch.optim.SGD(net.parameters(), lr=1e-1)
# 然后在每一个batch中，调用optimizer.step()即可完成参数更新了（loss.backward()之后）
作者：念及她名
