今天小編就爲大家分享一篇Pytorch反向求導更新網絡參數的方法,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧
方法一:手動計算變量的梯度,然後更新梯度
import torch from torch.autograd import Variable # 定義參數 w1 = Variable(torch.FloatTensor([1,2,3]),requires_grad = True) # 定義輸出 d = torch.mean(w1) # 反向求導 d.backward() # 定義學習率等參數 lr = 0.001 # 手動更新參數 w1.data.zero_() # BP求導更新參數之前,需先對導數置0 w1.data.sub_(lr*w1.grad.data)
一個網絡中通常有很多變量,如果按照上述的方法手動求導,然後更新參數,是很麻煩的,這個時候可以調用torch.optim
方法二:使用torch.optim
import torch from torch.autograd import Variable import torch.nn as nn import torch.optim as optim # 這裏假設我們定義了一個網絡,爲net steps = 10000 # 定義一個optim對象 optimizer = optim.SGD(net.parameters(), lr = 0.01) # 在for循環中更新參數 for i in range(steps): optimizer.zero_grad() # 對網絡中參數當前的導數置0 output = net(input) # 網絡前向計算 loss = criterion(output, target) # 計算損失 loss.backward() # 得到模型中參數對當前輸入的梯度 optimizer.step() # 更新參數
注意:torch.optim只用於參數更新和對參數的梯度置0,不能計算參數的梯度,在使用torch.optim進行參數更新之前,需要寫前向與反向傳播求導的代碼
以上這篇Pytorch反向求導更新網絡參數的方法就是小編分享給大家的全部內容了,希望能給大家一個參考,也希望大家多多支持神馬文庫。