torch.autograd.backward(variables, grad_variables=None, retain_graph=None, create_graph=False)

給定圖的葉子節(jié)點(diǎn)variables, 計(jì)算圖中變量的梯度和。 計(jì)算圖可以通過(guò)鏈?zhǔn)椒▌t求導(dǎo)。如果variables中的任何一個(gè)variable是 非標(biāo)量(non-scalar)的，且requires_grad=True。那么此函數(shù)需要指定grad_variables，它的長(zhǎng)度應(yīng)該和variables的長(zhǎng)度匹配，里面保存了相關(guān)variable的梯度(對(duì)于不需要gradient tensor的variable，None是可取的)。

此函數(shù)累積leaf variables計(jì)算的梯度。你可能需要在調(diào)用此函數(shù)之前將leaf variable的梯度置零。

參數(shù)：

variables（變量的序列） - 被求微分的葉子節(jié)點(diǎn)，即 ys 。

grad_variables（（張量，變量）的序列或無(wú)） - 對(duì)應(yīng)variable的梯度。僅當(dāng)variable不是標(biāo)量且需要求梯度的時(shí)候使用。

retain_graph（bool，可選） - 如果為False，則用于釋放計(jì)算grad的圖。請(qǐng)注意，在幾乎所有情況下，沒(méi)有必要將此選項(xiàng)設(shè)置為T(mén)rue，通?？梢砸愿行У姆绞浇鉀Q。默認(rèn)值為create_graph的值。

create_graph（bool，可選） - 如果為T(mén)rue，則將構(gòu)造派生圖，允許計(jì)算更高階的派生產(chǎn)品。默認(rèn)為False。

我這里舉一個(gè)官方的例子

import torch
from torch.autograd import Variable
x = Variable(torch.ones(2, 2), requires_grad=True)
y = x + 2
z = y * y * 3
out = z.mean()
out.backward()#這里是默認(rèn)情況，相當(dāng)于out.backward(torch.Tensor([1.0]))
print(x.grad)

輸出結(jié)果是

Variable containing:
 4.5000 4.5000
 4.5000 4.5000
[torch.FloatTensor of size 2x2]

接著我們繼續(xù)

x = torch.randn(3)
x = Variable(x, requires_grad=True)

y = x * 2
while y.data.norm() < 1000:
  y = y * 2

gradients = torch.FloatTensor([0.1, 1.0, 0.0001])
y.backward(gradients)
print(x.grad)

輸出結(jié)果是

Variable containing:
 204.8000
 2048.0000
  0.2048
[torch.FloatTensor of size 3]

這里這個(gè)gradients為什么要是[0.1, 1.0, 0.0001]？

如果輸出的多個(gè)loss權(quán)重不同的話(huà)，例如有三個(gè)loss，一個(gè)是x loss，一個(gè)是y loss，一個(gè)是class loss。那么很明顯的不可能所有l(wèi)oss對(duì)結(jié)果影響程度都一樣，他們之間應(yīng)該有一個(gè)比例。那么比例這里指的就是[0.1, 1.0, 0.0001]，這個(gè)問(wèn)題中的loss對(duì)應(yīng)的就是上面說(shuō)的y，那么這里的輸出就很好理解了dy/dx=0.1*dy1/dx+1.0*dy2/dx+0.0001*dy3/dx。

如有問(wèn)題，希望大家指正，謝謝_!

以上這篇解決torch.autograd.backward中的參數(shù)問(wèn)題就是小編分享給大家的全部?jī)?nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。

最新評(píng)論