torch.randn_like()
function:生成新的张量,保持原始张量的size及数据类型
a = torch.ones(3,3, dtype = torch.float)
x = torch.randn_like(a) # x 的size为3×3,且dtype为torch.float
tensor_1.data.norm(p)
function: 得到张量tensor_1的p范数,默认为2范数
a = torch.rand(3)
y = a.data.norm(3) # 得到 a 的3范数
# 或者 y = torch.norm(a,3)
out.backward()
function:进行反向传播,计算梯度
x = torch.randn(3, requires_grad = True)
y = (x*3).sum()
y.backward()
print(x.grad)
注意! 此时的out必须是标量,否则无法计算
在不断地进行1.更新y和2.y.backward() 两个步骤时 ,梯度会累加(这里的y仅仅代表张量名,每次都可以不一样)。若重新计算梯度,则可调用optimizer.zero_grad()
“清空”梯度。
y.backward(v)
function: 根据链式法则,通过计算vector与Jacobian matrix的乘积得到梯度 ∂ l / ∂ x ⃗ \partial l/\partial \vec x ∂l/∂x(如下图)
y , v , l y,v,l y,v,l的关系: l l l关于 y y y的函数为 l = g ( y ⃗ ) l=g(\vec{y}) l=g(y), v = ( ∂ l ∂ y 1 . . . ∂ l ∂ y m ) T v={(\frac {\partial l}{\partial y_1} ... \frac {\partial l}{\partial y_m} )}^T v=(∂y1∂l...∂ym∂l)T
x = torch.randn(3, requires_grad = True)
y = x*3
v = torch.tensor([1.0, 0.5, 1.0], dtype=torch.float)
y.backward(v)
print(x.grad)