pythonmath反三角函数的导数_Pytorch反向求导更新网络参数的方法

方法一：手动计算变量的梯度，然后更新梯度

import torch

from torch.autograd import Variable

# 定义参数

w1 = Variable(torch.FloatTensor([1,2,3]),requires_grad = True)

# 定义输出

d = torch.mean(w1)

# 反向求导

d.backward()

# 定义学习率等参数

lr = 0.001

# 手动更新参数

w1.data.zero_() # BP求导更新参数之前,需先对导数置0

w1.data.sub_(lr*w1.grad.data)

一个网络中通常有很多变量,如果按照上述的方法手动求导,然后更新参数,是很麻烦的,这个时候可以调用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

# 这里假设我们定义了一个网络,为net

steps = 10000

# 定义一个optim对象

optimizer = optim.SGD(net.parameters(), lr = 0.01)

# 在for循环中更新参数

for i in range(steps):

optimizer.zero_grad() # 对网络中参数当前的导数置0

output = net(input) # 网络前向计算

loss = criterion(output, target) # 计算损失

loss.backward() #　得到模型中参数对当前输入的梯度

optimizer.step() # 更新参数

注意：torch.optim只用于参数更新和对参数的梯度置０，不能计算参数的梯度，在使用torch.optim进行参数更新之前，需要写前向与反向传播求导的代码

以上这篇Pytorch反向求导更新网络参数的方法就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持脚本之家。