【发布时间】：2019-11-28 23:29:37
【问题描述】：
我是 pytorch 的新手。我想知道如何将标量声明为参数。我想知道以下两种方式有什么区别？
x = torch.randn(1,1, requires_grad=True)
和
tensor = torch.randn(1,1)
x = Variable(tensor, requires_grad=True)
【问题讨论】：
【发布时间】：2019-11-28 23:29:37
【问题描述】：
根据pytorch官方文档here，
Variable API 已被弃用：变量不再需要使用带有张量的 autograd。 Autograd 自动支持将 requires_grad 设置为 True 的张量。
Variable(tensor) 和 Variable(tensor, requires_grad) 仍按预期工作，但它们返回的是张量而不是变量。
var.data 和 tensor.data 是一回事。
var.backward()、var.detach()、var.register_hook() 等方法现在适用于具有相同方法名称的张量。
此外，现在可以使用torch.randn()、torch.zeros()、torch.ones() 等工厂方法以及以下其他方法创建带有requires_grad=True 的张量：
autograd_tensor = torch.randn((2, 3, 4), requires_grad=True)
【讨论】：
Variable 已弃用，如果要声明新参数，
你应该使用torch.nn.Parameter()。
您可以像这样简单地使用它：
some_weights = torch.nn.Parameter(torch.rand(3, 2))
bias = torch.nn.Parameter(torch.ones(2))
您也可以看看this answer，它很好地了解了如何使用nn.Parameter()。
【讨论】：
-
感谢您的回复。我可以再问一个问题吗？我想为我的 CNN 创建一个自定义过滤器。这个过滤器有 20 个通道，内核大小为 5*5，内核的每个位置都是两个参数的函数。因此，我使用 torch.randn(1, requires_grad=True) 声明了这两个参数，然后编写了一个函数以将这两个参数作为参数来生成内核。我使用 torch.zeros(20, 5, 5) 初始化过滤器，然后将内核值分配给 20 个通道中的每一个。这是正确的方法吗？我担心自动梯度计算。
-
请发布一个新问题。还要提供一个伪代码或您编写的实际代码，以便一切更清楚。