我正在尝试了解基本的 pytorch autograd 系统:
x = torch.tensor(10., requires_grad=True)
print('tensor:',x)
x.backward()
print('gradient:',x.grad)
输出:
tensor: tensor(10., requires_grad=True)
gradient: tensor(1.)
因为 x
是一个标量常数并且没有函数应用于它,所以我期望 0.
作为梯度输出。为什么梯度 1.
而不是?
最佳答案
每当您使用 value.backward()
时,您都会计算导数 value
(在您的情况下 value == x
)到你所有的参数(在你的例子中就是 x
)。粗略地说,这意味着所有以某种方式参与您的计算的张量都具有 requires_grad=True
。所以这意味着
x.grad = dx / dx = 1
补充一点:通过自动微分,您始终使用“常数”值进行计算:您的所有函数或网络始终在具体点进行评估。你得到的梯度是在同一点评估的梯度。没有符号计算发生。计算梯度所需的所有信息都编码在计算图中。
关于python - 了解在 PyTorch 中使用 backward() 进行梯度计算,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/72362774/