C++ copy和copy_backward用法实例

#include<iostream>
#include<vector>
#include<algorithm>
using namespace std;

int main()
{
    // 数组大小为7
    int myInts[] = {10,20,30,40,50,60,70};
    // 容器大小为8,里面有8个7
    vector<int> myVector(8,7);

    // 1.将数组中的7个数复制到容器的第一个位置,将覆盖容器的前7个数
    copy(myInts,myInts + 7,myVector.begin());
    for(vector<int>::iterator it = myVector.begin();it != myVector.end();it++)
        cout<<" "<<*it;
    cout<<endl;
    /*
     * 10 20 30 40 50 60 70 7
     */

    // 2.复制容器的后3个数,复制到第二个位置
    /*
    copy(myVector.end()-3,myVector.end(),myVector.begin()+1);
    for(vector<int>::iterator it = myVector.begin();it != myVector.end();it++)
        cout<<" "<<*it;
    cout<<endl;
    *
    * 10 60 70 7 50 60 70 7
    */
    // 3.采用copy_backward函数,性质和copy不同,但殊途同归 
    copy_backward(myVector.end()-3,myVector.end(),myVector.begin()+4);
    for(vector<int>::iterator it = myVector.begin();it != myVector.end();it++)
        cout<<" "<<*it;
    cout<<endl;
    /*
    * 10 60 70 7 50 60 70 7
    */

    return 0;
}

  • 1
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
这段代码看起来没有明显的无法求导反向传播的 bug,但是如果存在问题的话可能是因为某些操作的输入没有进行 requires_grad=True 的设置。可以尝试添加以下代码,保证所有涉及到反向传播的张量都设置了 requires_grad=True: ``` input_backward.requires_grad_() self.W_i_backward.requires_grad_() self.U_i_backward.requires_grad_() self.b_i_backward.requires_grad_() self.W_f_backward.requires_grad_() self.U_f_backward.requires_grad_() self.b_f_backward.requires_grad_() self.W_c_backward.requires_grad_() self.U_c_backward.requires_grad_() self.b_c_backward.requires_grad_() self.W_o_backward.requires_grad_() self.U_o_backward.requires_grad_() self.b_o_backward.requires_grad_() ``` 另外,如果在模型训练时发现该部分无法进行反向传播,可以尝试将该部分的代码放到 `torch.no_grad()` 中,避免该部分的梯度被累加。 ``` with torch.no_grad(): input_backward = torch.flip(input, [0]) outputs_backward = [] for t in range(input_backward.size(0)): x = input_backward[t] i = torch.sigmoid(torch.matmul(x, self.W_i_backward) + torch.matmul(h_backward[-1], self.U_i_backward) + self.b_i_backward) f = torch.sigmoid(torch.matmul(x, self.W_f_backward) + torch.matmul(h_backward[-1], self.U_f_backward) + self.b_f_backward) c_tilde = torch.tanh(torch.matmul(x, self.W_c_backward) + torch.matmul(h_backward[-1], self.U_c_backward) + self.b_c_backward) c_backward[-1] = f * c_backward[-1] + i * c_tilde o = torch.matmul(x, self.W_o_backward) + torch.matmul(h_backward[-1], self.U_o_backward) + self.b_o_backward o = torch.sigmoid(o) h_backward[-1] = o * torch.tanh(c_backward[-1]) outputs_backward.append(h_backward[-1]) outputs_backward = torch.flip(torch.stack(outputs_backward), [0]) ```
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
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。

余额充值