我试图了解基本的 pytorch autograd 系统:
x = torch.tensor(10., requires_grad=True)
print('tensor:',x)
x.backward()
print('gradient:',x.grad)
output:
tensor: tensor(10., requires_grad=True)
gradient: tensor(1.)
since x
是一个标量常量,没有函数应用于它,我期望0.
作为梯度输出。为什么是梯度1.
反而?
每当您使用value.backward()
,您计算导数value
(在你的情况下value == x
)关于你的所有参数(在你的情况下,这只是x
)。粗略地说,这意味着以某种方式参与计算的所有张量requires_grad=True
。所以这意味着
x.grad = dx / dx = 1
除此之外:通过自动微分,您始终使用“常量”值进行计算:您的所有函数或网络始终在具体点进行评估。你得到的梯度是在同一点评估的梯度。没有进行符号计算。计算梯度所需的所有信息都被编码在计算图中。
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)