App下載

pytorch 如何打印網(wǎng)絡(luò)回傳梯度？

來源: 美少女上梁山 2021-08-16 11:37:41 瀏覽數(shù) (4973)
反饋

在神經(jīng)網(wǎng)絡(luò)中，每一層運(yùn)算都會(huì)進(jìn)行網(wǎng)絡(luò)回傳梯度。那么pytorch如何打印網(wǎng)絡(luò)回傳梯度呢？接下來的這篇文章帶你了解。

需求：

打印梯度，檢查網(wǎng)絡(luò)學(xué)習(xí)情況

net = your_network().cuda()
def train():
 ...
 outputs = net(inputs)
    loss = criterion(outputs, targets)
    loss.backward()
 for name, parms in net.named_parameters(): 
  print('-->name:', name, '-->grad_requirs:',parms.requires_grad, 
   ' -->grad_value:',parms.grad)
 ...

打印結(jié)果如下：

name表示網(wǎng)絡(luò)參數(shù)的名字； parms.requires_grad 表示該參數(shù)是否可學(xué)習(xí)，是不是frozen的； parm.grad 打印該參數(shù)的梯度值。

運(yùn)行結(jié)果

補(bǔ)充：pytorch的梯度計(jì)算

看代碼吧~

import torch
from torch.autograd import Variable
x = torch.Tensor([[1.,2.,3.],[4.,5.,6.]])  #grad_fn是None
x = Variable(x, requires_grad=True)
y = x + 2
z = y*y*3
out = z.mean()
#x->y->z->out
print(x)
print(y)
print(z)
print(out)
#結(jié)果:
tensor([[1., 2., 3.],
        [4., 5., 6.]], requires_grad=True)
tensor([[3., 4., 5.],
        [6., 7., 8.]], grad_fn=<AddBackward>)
tensor([[ 27.,  48.,  75.],
        [108., 147., 192.]], grad_fn=<MulBackward>)
tensor(99.5000, grad_fn=<MeanBackward1>)

若是關(guān)于graph leaves求導(dǎo)的結(jié)果變量是一個(gè)標(biāo)量，那么gradient默認(rèn)為None，或者指定為“torch.Tensor([1.0])”

若是關(guān)于graph leaves求導(dǎo)的結(jié)果變量是一個(gè)向量，那么gradient是不能缺省的，要是和該向量同緯度的tensor

out.backward()
print(x.grad)
#結(jié)果:
tensor([[3., 4., 5.],
        [6., 7., 8.]])
#如果是z關(guān)于x求導(dǎo)就必須指定gradient參數(shù)：
gradients = torch.Tensor([[2.,1.,1.],[1.,1.,1.]])
z.backward(gradient=gradients)
#若z不是一個(gè)標(biāo)量，那么就先構(gòu)造一個(gè)標(biāo)量的值：L = torch.sum(z*gradient)，再關(guān)于L對(duì)各個(gè)leaf Variable計(jì)算梯度
#對(duì)x關(guān)于L求梯度
x.grad
#結(jié)果:
tensor([[36., 24., 30.],
        [36., 42., 48.]])

錯(cuò)誤情況

z.backward()
print(x.grad) 
#報(bào)錯(cuò):RuntimeError: grad can be implicitly created only for scalar outputs只能為標(biāo)量創(chuàng)建隱式變量
    
x1 = Variable(torch.Tensor([[1.,2.,3.],[4.,5.,6.]])) 
x2 = Variable(torch.arange(4).view(2,2).type(torch.float), requires_grad=True)
c = x2.mm(x1)
c.backward(torch.ones_like(c))
# c.backward()
#RuntimeError: grad can be implicitly created only for scalar outputs
print(x2.grad)

從上面的例子中，out是常量，可以默認(rèn)創(chuàng)建隱變量，如果反向傳播的不是常量，要知道該矩陣的具體值，在網(wǎng)絡(luò)中就是loss矩陣，方向傳播的過程中就是拿該歸一化的損失乘梯度來更新各神經(jīng)元的參數(shù)。

看到一個(gè)博客這樣說：loss = criterion(outputs, labels)對(duì)應(yīng)loss += (label[k] - h) * (label[k] - h) / 2

就是求loss（其實(shí)我覺得這一步不用也可以，反向傳播時(shí)用不到loss值，只是為了讓我們知道當(dāng)前的loss是多少）

我認(rèn)為一定是要求loss的具體值，才能對(duì)比閾值進(jìn)行分類，通過非線性激活函數(shù)，判斷是否激活。

以上就是pytorch如何打印網(wǎng)絡(luò)回傳梯度的全部?jī)?nèi)容，希望能給大家一個(gè)參考，也希望大家多多支持W3Cschool。



Python

0 人點(diǎn)贊