PyTorch 0.4.0迁移指南：Tensor与Variable的融合

"这篇文档详细介绍了PyTorch 0.4.0版本的主要迁移指南，主要关注点在于Variable和Tensor的合并，以及对Windows平台的支持和性能优化。在新版本中，Tensor对象默认包含了自动求导功能，不再需要通过Variable包装。此外，还涉及到检查Tensor类型、管理requires_grad属性等相关知识。" 在PyTorch 0.4.0的更新中，最显著的变化是Variable和Tensor的融合。在旧版本中，Variable用于表示具有计算图记录的张量，而Tensor则代表基本的数值数据结构。但在新版本中，Variable的概念被合并到Tensor内部，这意味着每个Tensor都具有`requires_grad`属性，用来控制是否追踪其计算历史，以便进行反向传播。这种变化简化了代码，因为现在无需再为Tensor创建Variable实例来启用自动求导。 要检查一个Tensor的具体类型，可以使用`.isinstance()`函数或者调用`.type()`方法。例如，如果有一个DoubleTensor `x`，`type(x)`会返回`torch.Tensor`，因为所有的Tensor都继承自这个基类。而`.type()`方法会返回更具体的类型，如`'torch.DoubleTensor'`。`isinstance(x, torch.DoubleTensor)`则会返回True，确认`x`是一个DoubleTensor。 `requires_grad`属性是新版本中的关键特性，它表示Tensor是否需要计算梯度。默认情况下，创建的Tensor的`requires_grad`属性为False。如果需要计算梯度，可以在创建Tensor时设置`requires_grad=True`。例如： ```python x = torch.ones(1, requires_grad=True) ``` 如果尝试对一个不需要梯度的Tensor执行反向传播，PyTorch会抛出`RuntimeError`，提示该Tensor没有`grad_fn`。因此，在执行反向传播之前，确保所有需要计算梯度的Tensor都已设置了`requires_grad=True`。 PyTorch 0.4.0的迁移主要涉及将旧版中使用Variable的地方替换为Tensor，并管理好`requires_grad`属性。这一改动使得PyTorch的API更加简洁，同时也保持了自动求导的便利性。对于开发者来说，理解这些变化对于顺利迁移旧代码至新版本至关重要。