前言
在 PyTorch 中,“Eager Execution”(即即时执行模式)是指一种动态图计算模式,其中每个操作都立即被执行,而不是被先放入计算图中。这与静态图计算框架(如 TensorFlow 的早期版本)的工作方式不同。在即时执行模式中,你可以像使用 NumPy 一样进行操作,逐步构建计算图,方便调试和交互。
一. Eager Execution 基本概念
1. 即时计算
在 Eager Execution 模式下,每个操作都会立即执行,而不是构建一个计算图。
2. 调试友好
Eager Execution 模式更加直观,更容易进行调试,因为可以像在传统编程中一样逐行执行代码。
3. 动态构建计算图
在 Eager 模式下,计算图是动态构建的,这意味着可以使用控制流结构(如 if 语句、循环等)而无需事先定义静态图。
二. Eager Execution 示例
在这个示例中,首先创建了两个张量 x
和 y
,然后进行了一些操作,最后计算了它们的平均值。在 Eager Execution 模式下,每个操作都会立即执行,而不需要构建静态图。最后,我们使用反向传播计算了梯度。
import torch
# 启用 Eager Execution 模式
torch.set_grad_enabled(True) # 默认情况下是开启的,这里仅为演示
# 创建两个张量
x = torch.tensor([1.0, 2.0, 3.0], requires_grad=True)
y = torch.tensor([4.0, 5.0, 6.0], requires_grad=True)
# 执行操作
z = x + y
result = z.mean()
# 输出结果
print("x:", x)
print("y:", y)
print("z:", z)
print("result:", result)
# 反向传播
result.backward()
# 打印梯度
print("Gradient of x:", x.grad)
print("Gradient of y:", y.grad)
请注意,Eager Execution 模式在 PyTorch 1.0 版本之后成为默认行为,无需额外的设置。
最后
感谢你们的阅读和喜欢,我收藏了很多技术干货,可以共享给喜欢我文章的朋友们,如果你肯花时间沉下心去学习,它们一定能帮到你。
因为这个行业不同于其他行业,知识体系实在是过于庞大,知识更新也非常快。作为一个普通人,无法全部学完,所以我们在提升技术的时候,首先需要明确一个目标,然后制定好完整的计划,同时找到好的学习方法,这样才能更快的提升自己。
这份完整版的大模型 AI 学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费
】
一、全套AGI大模型学习路线
AI大模型时代的学习之旅:从基础到前沿,掌握人工智能的核心技能!
二、640套AI大模型报告合集
这套包含640份报告的合集,涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。
三、AI大模型经典PDF籍
随着人工智能技术的飞速发展,AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型,如GPT-3、BERT、XLNet等,以其强大的语言理解和生成能力,正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。
四、AI大模型商业化落地方案
五、面试资料
我们学习AI大模型必然是想找到高薪的工作,下面这些面试题都是总结当前最新、最热、最高频的面试题,并且每道题都有详细的答案,面试前刷完这套面试题资料,小小offer,不在话下。
这份完整版的大模型 AI 学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费
】