pytorch0.4更新

---

Tensor/Variable合并

tensor可以直接反向求导。需要设置requires_grad属性为True

计算梯度时候，X输入需要设定require属性，y输出无需设置。两个均为tensor格式。

tensor的梯度计算不会浪费，比如w=a+b，a的grad为True，b的grad为False，那么a.grad进行计算，b.grad为none

tensor.requires_grad_()可以把requires_grad设置为True

tensor.data()可以获取内容，但是修改内容不会被grad跟踪，如果用tensor.detach()获得数据，可以被grad跟踪

增加了零维度的tensor，最为常见的是loss，不再是variable数据，而是零维度的tensor

tensor.itrm()可以提取tensor里面的数据。item只适合单一数字。比如零维度tensor

---

CUDA的加入

函数后面加入.cuda()

torch.device('cuda')用来设定使用cpu还是gpu，例如

    device=torch.device("cuda"if use_cudaelse"cpu")

    model=MyRNN().to(device)

---

画图相关

画图时候先要将GPU数据放入CPU  torch.Tensor.cpu()

然后tensor转为numpy数据  tensor.numpy()

---

dropout

训练反响传递时候开启dropout，预测时候关闭dropout

---

自定义数据

数据可以自定义，通过Data.TensorDataset(x,y)进行打包，x为训练数据，y为训练标签。

再通过Data.DataLoder进行batch分散。

x的形式可以是a（样本数量）*b（数据1）*c（数据2）*d（数据3）

y的形式是a（样本数量）