PyTorch中梯度反向传播的注意点

最新推荐文章于 2021-11-02 10:08:23 发布

敲代码的小风

最新推荐文章于 2021-11-02 10:08:23 发布

阅读量949

点赞数 1

分类专栏：零基础学习SSD网络PyTorch实现 Deep-Learning-with-PyTorch 《深度学习之PyTorch实战计算机视觉》文章标签：深度学习 python 神经网络 pytorch

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/m0_46653437/article/details/110739521

版权

零基础学习SSD网络PyTorch实现同时被 3 个专栏收录

293 篇文章 26 订阅

订阅专栏

Deep-Learning-with-PyTorch

216 篇文章 19 订阅

订阅专栏

《深度学习之PyTorch实战计算机视觉》

198 篇文章 41 订阅

订阅专栏

在一个迭代循环中,optimizer.zero_grad()语句的位置比较随意,只要放在loss.backward()前面即可,它的作用是将梯度归零,否则会在每一个迭代中进行累加,loss.backward()的作用是反向传播,计算梯度,optimizer.step()的功能是优化器自动完成参数的更新.

optimizer.zero_grad()
loss.backward()
optimizer.step()

敲代码的小风

关注

1
点赞
踩
2

收藏

觉得还不错? 一键收藏
1
评论
PyTorch中梯度反向传播的注意点

在一个迭代循环中,optimizer.zero_grad()语句的位置比较随意,只要放在loss.backward()前面即可,它的作用是将梯度归零,否则会在每一个迭代中进行累加,loss.backward()的作用是反向传播,计算梯度,optimizer.step()的功能是优化器自动完成参数的更新.optimizer.zero_grad()loss.backward()optimizer.step()...
复制链接

扫一扫

专栏目录

评论 1

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。