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）
