当前位置：首页 > news >正文

【pytorch】tensor.detach()和tensor.data的区别

news 2025/9/10 15:47:58

文章目录

- - - 序言
    - 相同点
    - 不同点
    - 测试实例
    - 应用

序言

.detach()和.data都可以用来分离tensor数据，下面进行比较
pytorch0.4及之后的版本，.data仍保留，但建议使用.detach()

相同点

x.detach()和x.data返回和x相同数据的tensor，这个新的tensor和原来的tensor共用数据，一者改变，另一者也会跟着改变
新分离得到的tensor的requires_grad = False, 即不可求导的

不同点

(1) .data是一个属性，.detach()是一个方法
(2) x.data不能被autograd追踪求微分，即使被改了也能错误求导；x.detach()也不能被autograd追踪求微分，被改了会直接报错，避免错误的产生
(3) .data是不安全的，.detach()是安全的

测试实例

.data测试

import torcha = torch.tensor([1 ,2 ,3.], requires_grad = True)  # float类型,支持求导
out = a.sigmoid()
print(out)    # 输出(0.0, 1.0)结果
b = out.data  # 分离tensor
b.zero_()     # 改变b的值，原来的out也会改变
print(b.requires_grad)  # .data后requires_grad=False
print(b)                # 归0后的值 tensor([0., 0., 0.])
print(out.requires_grad)    # out的requires_grad=True
print(out)                  # b的值改变了out也变了 tensor([0., 0., 0.])
print("----------------------------------------------")out.sum().backward()  # 对原来的out求导
print(a.grad)         # 不会报错，但结果不正确

更改分离之后的变量值b，导致原来的张量out的值也跟着改变
但是这种改变对于autograd是没有察觉的，它依然按照求导规则来求导，导致得出完全错误的导数值却浑然不知
它的风险性就是如果我再任意一个地方更改了某一个张量，求导的时候也没有通知我已经在某处更改了，导致得出的导数值完全不正确

.detach()测试

import torcha = torch.tensor([4, 5, 6.], requires_grad=True)
out = a.sigmoid()
print(out)
c = out.detach()
c.zero_()               # 改变c的值，原来的out也会改变
print(c.requires_grad)  # detach后requires_grad=False
print(c)                # 已经归0
print(out.requires_grad)    # 输出为True
print(out)
print("----------------------------------------------")out.sum().backward()  # 对原来的out求导，
print(a.grad)         # 此时会报错: 梯度计算所需要的张量已经被“原位操作inplace”所更改了# RuntimeError: one of the variables needed for gradient computation has been modified by an inplace operation