-
一、torch.autograd.backward(tensors, grad_tensors=None, retain_graph=None, create_graph=False)功能:自动求取梯度
-
grad_tensors:多梯度权重
# 自动求取梯度 # import torch # w = torch.tensor([1.],requires_grad=True) # x = torch.tensor([2.],requires_grad=True) # a = torch.add(w, x) #逐位相加 # b = torch.add(w, 1) # y = torch.mul(a, b)# 逐位相乘 # # c = y.backward(retain_graph = True) # print(c)
-
create_graph:创建导数计算图,用于高阶求导
-
retain_graph:保存计算图
-
tensors:用于求导的张量,如 loss
-
2、torch.autograd.grad(outputs, inputs, grad_outputs=None, retain_graph=None, create_graph=False)功能:求取梯度
- outputs:用于求导的张量,如 loss
- inputs:需要梯度的张量
- create_graph:创建导数计算图,用于高阶求导
- retain_graph:保存计算图
- grad_outputs:多梯度权重
# 求取梯度 # import torch # x = torch.tensor([3.],requires_grad=True) # y = torch.pow(x, 2) # grad_1 = torch.autograd.grad(y, x, create_graph = True) # grad_2 = torch.autograd.grad(grad_1[0],x) # print(grad_2)
- 实例
# 实例,求y=x方的一阶与二阶偏导 import torch x = torch.tensor([3.], requires_grad=True) y = torch.pow(x,2) #求取一阶导数 grad_1 =torch.autograd.grad(y,x,create_graph=True) #求取二阶导数 grad_2 = torch.autograd.grad(grad_1,x) #此处值x是确定的,开始给定了3 # 展示一阶倒数的结果 print(grad_1) #展示二阶导数结果 print(grad_2) # 求取y=x的立方的一阶二阶三阶导数 # 创建x的初值 import torch # 创建x,并赋予初值 x = torch.tensor([2],requires_grad = True) # 创建y y = torch.pow(x, 3) # 做一阶导数 grad_1 = torch.autograd.grad(y, x, create_graph=True) # 做二阶导数 grad_2 = torch.autograd.grad(grad_1[0], x, create_graph=True) # 做三阶导数 grad_3 = torch.autograd.grad(grad_2[0], x, create_graph=False) print(grad_1) print(grad_2) print(grad_3)
-
pytorch自动微分
Fiona.y2024-08-23 9:39
相关推荐
羑悻的小杀马特27 分钟前
OpenCV 引擎:驱动实时应用开发的科技狂飙guanshiyishi3 小时前
ABeam 德硕 | 中国汽车市场(2)——新能源车的崛起与中国汽车市场机遇与挑战极客天成ScaleFlash4 小时前
极客天成NVFile:无缓存直击存储性能天花板,重新定义AI时代并行存储新范式Uzuki4 小时前
AI可解释性 II | Saliency Maps-based 归因方法(Attribution)论文导读(持续更新)澳鹏Appen5 小时前
AI安全:构建负责任且可靠的系统蹦蹦跳跳真可爱5895 小时前
Python----机器学习(KNN:使用数学方法实现KNN)视界宝藏库6 小时前
多元 AI 配音软件,打造独特音频体验xinxiyinhe6 小时前
GitHub上英语学习工具的精选分类汇总ZStack开发者社区7 小时前
全球化2.0 | ZStack举办香港Partner Day,推动AIOS智塔+DeepSeek海外实践Spcarrydoinb8 小时前
基于yolo11的BGA图像目标检测