-
一、torch.autograd.backward(tensors, grad_tensors=None, retain_graph=None, create_graph=False)功能：自动求取梯度
- grad_tensors：多梯度权重
# 自动求取梯度 # import torch # w = torch.tensor([1.],requires_grad=True) # x = torch.tensor([2.],requires_grad=True) # a = torch.add(w, x) #逐位相加 # b = torch.add(w, 1) # y = torch.mul(a, b)# 逐位相乘 # # c = y.backward(retain_graph = True) # print(c)
- create_graph：创建导数计算图，用于高阶求导
- retain_graph：保存计算图
- tensors：用于求导的张量，如 loss
- 2、torch.autograd.grad(outputs, inputs, grad_outputs=None, retain_graph=None, create_graph=False)功能：求取梯度
- outputs：用于求导的张量，如 loss
- inputs：需要梯度的张量
- create_graph：创建导数计算图，用于高阶求导
- retain_graph：保存计算图
- grad_outputs：多梯度权重
-
# 求取梯度 # import torch # x = torch.tensor([3.],requires_grad=True) # y = torch.pow(x, 2) # grad_1 = torch.autograd.grad(y, x, create_graph = True) # grad_2 = torch.autograd.grad(grad_1[0],x) # print(grad_2)
- 实例
-
# 实例，求y=x方的一阶与二阶偏导 import torch x = torch.tensor([3.], requires_grad=True) y = torch.pow(x,2)#求取一阶导数 grad_1 =torch.autograd.grad(y,x,create_graph=True)#求取二阶导数 grad_2 = torch.autograd.grad(grad_1,x) #此处值x是确定的，开始给定了3# 展示一阶倒数的结果 print(grad_1) #展示二阶导数结果 print(grad_2)# 求取y=x的立方的一阶二阶三阶导数# 创建x的初值 import torch# 创建x，并赋予初值 x = torch.tensor([2],requires_grad = True) # 创建y y = torch.pow(x, 3) # 做一阶导数 grad_1 = torch.autograd.grad(y, x, create_graph=True) # 做二阶导数 grad_2 = torch.autograd.grad(grad_1[0], x, create_graph=True) # 做三阶导数 grad_3 = torch.autograd.grad(grad_2[0], x, create_graph=False)print(grad_1) print(grad_2) print(grad_3)
- grad_tensors：多梯度权重
