ICode9

精准搜索请尝试: 精确搜索
首页 > 其他分享> 文章详细

torch工具箱

2022-08-19 16:34:37  阅读:171  来源: 互联网

标签:loss 变量 torch seed print 工具箱 grad


  • Autograde

    用户自己创建的叫叶子变量,计算得来的是中间变量;

    前向传播时,torch自动构建计算图,从input到loss;

    反向求导时,沿着计算图,从loss到input;

inpt = torch.ones(size=(4, ))
w = torch.tensor(2.0, requires_grad=True)
l = inpt * w
loss = l.mean()

# 钩子函数,在反向传播时将l的梯度打印,随后销毁
l.register_hook(lambda grad: print(f'l.grad:{grad}'))  

# 保存中间变量的梯度
# l.retain_grad()

loss.backward()  # 执行反向传播

print(w.grad)
print(w.grad_fn)  # None,因为是用户自创建
print(l.grad)     # None,应为是非叶子变量,所以默认不保存梯度

# <MulBackward0 object at xxx>,torch内定义了基本操作的反向传播函数
print(l.grad_fn)  

  • seed
# 以下两命令执行顺序不同,有不同的效果

torch.manual_seed(1)  # 指定seed

torch.seed()  # 随机seed
  • in-place操作
    直接在原始变量上操作,节省内存

标签:loss,变量,torch,seed,print,工具箱,grad
来源: https://www.cnblogs.com/wjw-cat/p/16602374.html

本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享;
2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关;
3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关;
4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除;
5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

专注分享技术,共同学习,共同进步。侵权联系[81616952@qq.com]

Copyright (C)ICode9.com, All Rights Reserved.

ICode9版权所有