-
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
CoovallyAIHub1 天前
英伟达ViPE重磅发布!解决3D感知难题,SLAM+深度学习完美融合(附带数据集下载地址)aneasystone本尊1 天前
学习 Chat2Graph 的知识库服务IT_陈寒1 天前
Redis 性能翻倍的 7 个冷门技巧,第 5 个大多数人都不知道!飞哥数智坊1 天前
GPT-5-Codex 发布,Codex 正在取代 Claude倔强青铜三1 天前
苦练Python第46天:文件写入与上下文管理器虫无涯1 天前
Dify Agent + AntV 实战:从 0 到 1 打造数据可视化解决方案Dm_dotnet2 天前
公益站Agent Router注册送200刀额度竟然是真的算家计算2 天前
7B参数拿下30个世界第一!Hunyuan-MT-7B本地部署教程:腾讯混元开源业界首个翻译集成模型机器之心2 天前
LLM开源2.0大洗牌:60个出局,39个上桌,AI Coding疯魔,TensorFlow已死Juchecar2 天前
交叉熵:深度学习中最常用的损失函数