Pytorch 0.4.0迁移指南（与之前版本编程上的不同点）

2018年4月25号，官方发布Pytorch0.4.0版本，此版本除了支持Windows外，与之前的Pytorch版本也有诸多不同，主要表现在编程方面。因此该指南主要用来介绍Pytorch0.4.0代码方面需要注意的地方：

####1. 弃用Variables并与Tensors合并

之前版本，最终的输入数据必须转化为Variable的形式，而在Pytorch0.4.0版中，torch.Tensor包括了torch.autograd.Variable，已经不需要转化为Variable的形式。

type()的功能也变了，它不会再返回数据的类型，需要用x.type()代替。

>>>x = torch.DoubleTensor([1, 1, 1])
>>>print(type(x))
“<class ‘torch.Tensor’>”  #不再返回数据类型
>>>print(x.type())
“<class ‘torch.DoubleTensor’>”  #能返回数据类型

####2. 支持零维Tensors

>>>torch.tensor(3.1416).size()
Torch.Size([])  #零维张量

####3. 弃用volatile

之前版本的volatitle=True 相当于requires_grad=False，一般用于测试的时候不需要进行梯度计算，这样做能减少内存使用。新版中使用torch.no_grad()代替。

####4.新增dtypes、devices和numpy风格的Tensor

如：device = torch.device(“cuda” if torch.cuda.is_available() else “cpu”)，会依据你的计算机配置自动选择CPU还是GPU运算。

####用一个例子来对比Pytorch 0.4.0代码上需要注意的地方：

0.3.1（老版本）：

model = CNN()
  if use_cuda:
      model = model.cuda()
      
  # 训练
  total_loss = 0
  for input, target in train_loader:
      input, target = Variable(input), Variable(target) #需转化为Variable
      hidden = Variable(torch.zeros(*h_shape))  
      # 定义是否使用GPU
      if use_cuda:
          input, target, hidden = input.cuda(), target.cuda(), hidden.cuda()
      ...  
      # 获得loss的值
      total_loss += loss.data[0]

  # 测试
  for input, target in test_loader:
      input = Variable(input, volatile=True)
      if use_cuda:
          ...
      ...

0.4.0（新版本）：

  # 定义device，是否使用GPU，依据计算机配置自动会选择
  device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
  #用.to(device)来决定模型使用GPU还是CPU
  model = CNN().to(device)

  # 训练
  total_loss = 0
  for input, target in train_loader:
      #不需要转化为Variable，直接用Tensors作为输入，用.to(device)来决定使用GPU还是CPU
      input, target = input.to(device), target.to(device)
      hidden = input.new_zeros(*h_shape)  
      ...  # 获得loss值，也与老版本不同
      total_loss += loss.item()          

  # 测试
  with torch.no_grad():      # 测试时不会进行梯度计算，节约内存
      for input, target in test_loader:
          ...