pytorch基礎知識整理一）自動求導機制

torch.autograd是pytorch最重要的元件，主要包括variable類和function類，variable用來封裝tensor,是計算圖上的節點，function則定義了運算操作，是計算圖上的邊。

1.tensor

tensor張量和numpy陣列的區別是它不僅可以在cpu上執行，還可以在gpu上執行。

tensor其實包含乙個資訊頭和乙個資料儲存型別torch.storage，torch.storage是乙個單一資料型別的連續一維陣列。可以用tensor.is_contiguous()檢驗張量的資料儲存是否是在連續記憶體上，tensor必須連續才能夠使用view操作改變tensor形狀，如果不連續則可以使用tensor.contiguous()使之連續。

2.variable

注：自pytorch0.4.0版本之後，variable型別和tensor型別合併，在**中不用再把tensor轉換為variable。

var =
variable
(tensor, requires_grad=true)

在計算圖中，只要有乙個節點使用了requires_grad=true，它的後續關聯節點都會成為requires_grad=true，就是說都需要計算梯度。可以

var =
variable
(tensor,
volatile
=true)

只要有乙個節點使用volatile=true整個計算圖就不會呼叫.backward()，用於推理過程。

注意在variable不支援inplace運算操作，因為這樣導致變數值被更改，反向傳播的時候無法再使用，因此為了避免計算錯誤，計算圖**現inplace操作時, pytorch會報錯。

可用tensor.is_leaf()判斷某個變數在計算圖中是否是葉子節點，只有葉子節點會保留grad，其他張量不保留，如果非葉子節點需要保留梯度，則使用tensor.retain_grad()即可。

2.1 .backward()對計算圖進行反向傳播更新梯度

對於計算圖中的乙個標量，比如損失函式的輸出loss，可以直接進行.backward()操作。如果是乙個張量，比如中間過程，則必須指定和該張量同形狀的grad_tensor，具體涉及到反向傳播過程（復合函式鏈式法則求偏導）的jacobian矩陣。

2.2 torch.nn.parameter()

parameter是variable的子類，但parameter類會出現在模型的引數列表中（即會出現在model.parameters()迭代器中），且parameter類預設requires_grad=true，且不能設定volatile。

2.3 凍結網路部分引數

可以用detach()把張量從計算圖中分離出來，分離出來的變數不求梯度，可以用來凍結部分網路權重引數（**示例待補充）。也可以通過設定網路前面部分引數的requires_grad=false來凍結網路。

model = torchvision.models.
resnet18
(pretrained=true)
for param in model.
parameters()
:    param.requires_grad = false
model.fc = nn.
linear
(512
,100
)optimizer = optim.
sgd(model.fc.
parameters()
, lr=
1e-2
, momentum=
0.9)

3.function

function是對variable進行的運算，定義了forward()方法和backward()方法。可以與nn.module()對比來理解。兩者都可以實現運算，但是function無法儲存引數，用於不需要更新引數的操作，例如各種啟用函式、池化等運算，而module可以儲存引數，則用於線性層、卷積層等運算。使用function自定義運算時必須重寫forward()和backward()方法，而使用module自定義運算時，只需要寫forward()即可，backward()可由module中的各種元件自動求解了。

pytorch基礎知識整理一）自動求導機制

pytorch基礎知識整理（四）模型

基礎知識整理

c 基礎知識整理（一）

pytorch基礎知識整理 一）自動求導機制

pytorch基礎知識整理（四） 模型

基礎知識整理

c 基礎知識整理（一）

相關推薦

pytorch基礎知識整理一）自動求導機制

pytorch基礎知識整理（四）模型