""" 案例: 演示 detach()函数的功能, 解决 自动微分的弊端. 回顾: 自动微分 = 求导, 即: 基于损失函数, 计算梯度. 结合权重更新公式: w新 = w旧 - 学习率 * 梯度, 来更新权重的. 问题: 一个张量一旦设置了 自动微分, 这个张量就不能直接转成 numpy的 ndarray对象了, 需要通过 detach()函数解决. """ # 导包 import torch import numpy as np # 1. 定义张量. # 参1: 数据, 参2: 是否需要自动微分, 参3: 数据类型. t1 = torch.tensor([10, 20], requires_grad=True ,dtype=torch.float) print(f't1: {t1}, type: {type(t1)}') # 2. 尝试把上述的张量 -> numpy对象. # n1 = t1.numpy() # 报错. # print(f'n1: {n1}, type: {type(n1)}') # 3. 解决方法: 通过 detach()函数, 拷贝一份张量, 然后转换. t2 = t1.detach() print(f't2: {t2}, type: {type(t2)}') # 4. 测试上述的t1 和 t2是否共享同一块空间 -> 共享. t1.data[0] = 100 print(f't1: {t1}, type: {type(t1)}') print(f't2: {t2}, type: {type(t2)}') print('-' * 30) # 5. 查看t1 和 t2谁可以自动微分. print(f't1: {t1.requires_grad}') # True print(f't2: {t2.requires_grad}') # False print('-' * 30) # 6. 把t2转numpy对象. n1 = t2.numpy() print(f'n1: {n1}, type: {type(n1)}') # 7. 最终版. n2 = t1.detach().numpy() print(f'n2: {n2}, type: {type(n2)}')
