pytorch中.data与.item()，.numpy()，.detach()，.cuda()，.cpu()的作用

一. pytorch中.data()与.item()，.numpy()，.detach()，.cuda()，.cpu()的作用

我们在深度pytorch代码中经常看到以下表示，简单记录一下：

1. tensor.data

把变量设置成tensor类型，requires_grad设置为Flase，相当于为标量，训练过程中梯度不再进行更新。

在Pytorch中，tensor的存在就类似于numpy中array的存在。但是Pytorch中tensor还有个额外的属性：梯度。为了参与神经网络训练，每一个tensor一般都会有自己的梯度（除了叶节点）。这种情况下，我们在把tensor转化为numpy.array的时候就要先把tensor的梯度去掉，然后再做转化。tensor可以直接被转化成numpy.array是因为我们用的那些tensor都是直接创建的，属于叶节点，不包含梯度，所以可以直接转化。.detach()返回一个与当前 graph 分离的、不再需要梯度的新tensor（当然tensor.data也可以做相同的事情，但是推荐使用.detach，因为.data会偶尔引入bug）。

a = torch.tensor([1.0], requires_grad=True)
b = a.data
print(b, b.requires_grad)
## 输出为： tensor([1.]) False

2. .item()

把tensor转为python的float类型：

a = torch.tensor([1.0], requires_grad=True)
 
c = a.item()
print(c, type(c))
## 输出为：1.0 <class 'float'>

3. .numpy()

将张量转换为与其共享底层存储的 n 维 numpy 数组。

4. .detach()

当我们在训练神经网络的时候可能希望保持一部分的网络参数不变，只对其中一部分参数进行调整；或者只训练部分分支网络，并不让其梯度对主网络的梯度造成影响，这时候我们就需要使用.detach()函数来切断一些分支的反向传播。

返回一个与当前计算图分离的、不再需要梯度的新张量。

返回一个新的tensor，从当前计算图中分离下来的，但是仍指向原变量的存放位置，不同之处只是requires_grad为false，得到的这个tensor永远不需要计算其梯度，不具有grad。

5. .cuda()

将张量拷贝到 GPU 上。

6. .cpu()

将张量拷贝到 CPU 上。

7. .clone()

.clone()会复制一个tensor出来，这个新的tensor是带梯度的，它是和原来的动态图依然链接在一起的。

二. 参考链接

1. pytorch中.data()与.item()，.numpy()，.detach()，.cuda()，.cpu()的作用
2. Pytorch .numpy(), .item(), .detach(), .cpu(), .cuda(), .tensor(), .as_tensor(), Tensor(), .clone(),