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。
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對各個(gè)leaf Variable計(jì)算梯度
#對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。
以上為個(gè)人經(jīng)驗(yàn)，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。
您可能感興趣的文章:- 淺談pytorch中為什么要用 zero_grad() 將梯度清零
- PyTorch梯度裁剪避免訓(xùn)練loss nan的操作
- PyTorch 如何自動計(jì)算梯度
- Pytorch獲取無梯度TorchTensor中的值
- pytorch損失反向傳播后梯度為none的問題
- PyTorch 如何檢查模型梯度是否可導(dǎo)
