小编给大家分享一下pytorch中.data与.detach()有什么区别，相信大部分人都还不怎么了解，因此分享这篇文章给大家参考一下，希望大家阅读完这篇文章后大有收获，下面让我们一起去了解一下吧！
从策划到设计制作，每一步都追求做到细腻，制作可持续发展的企业网站。为客户提供成都网站制作、成都网站设计、外贸营销网站建设、网站策划、网页设计、国际域名空间、网页空间、网络营销、VI设计、 网站改版、漏洞修补等服务。为客户提供更好的一站式互联网解决方案,以客户的口碑塑造优易品牌,携手广大客户,共同发展进步。
众所周知，pytorch里一个tensor默认是有两个属性的，一个是data一个是grid。 但这里的data也是tensor。有的时候我们不想管梯度grid的事，所以用.data来提取这里的data。
a = torch.tensor([1,2,3.], requires_grad = True) out = a.sigmoid() c = out.data # 需要走注意的是，通过.data “分离”得到的的变量会和原来的变量共用同样的数据，而且新分离得到的张量是不可求导的，c发生了变化，原来的张量也会发生变化 c.zero_() # 改变c的值，原来的out也会改变
tensor .data 返回和 x 的相同数据 tensor,而且这个新的tensor和原来的tensor是共用数据的，一者改变，另一者也会跟着改变，而且新分离得到的tensor的require s_grad = False, 即不可求导的。（这一点其实detach是一样的）
除了.data，pytorch还提供了.detach()来实现相同的操作。不管grid的事，只提取data，可以用.detach()。而且我们更推荐使用.detach()。
a = torch.tensor([1,2,3.], requires_grad = True) out = a.sigmoid() c = out.detach() # 需要走注意的是，通过.detach() “分离”得到的的变量会和原来的变量共用同样的数据，而且新分离得到的张量是不可求导的，c发生了变化，原来的张量也会发生变化 c.zero_() # 改变c的值，原来的out也会改变
tensor .detach() 返回和 x 的相同数据 tensor,而且这个新的tensor和原来的tensor是共用数据的，一者改变，另一者也会跟着改变，而且新分离得到的tensor的require s_grad = False, 即不可求导的。（这一点其实 .data是一样的）
那么哪里不一样呢？为什么更推荐用.datach()呢？
举个例子，上面的out包含着data，也包含着grid。现在我不想管梯度的事，所以可以用out.data来把纯种tensor提取出来，此时的out.data也就是c已经没有梯度这个东西了。可我c.zero_()修改了out的值，这时再bp竟然会成功！没有梯度了竟然能bp！所以.data是有缺点的。而.detach()是没有这个问题的，所以建议用.datach()。
以上是“pytorch中.data与.detach()有什么区别”这篇文章的所有内容，感谢各位的阅读！相信大家都有了一定的了解，希望分享的内容对大家有所帮助，如果还想学习更多知识，欢迎关注创新互联行业资讯频道！
