快捷導(dǎo)航

pytorch 如何打印網(wǎng)絡(luò)回傳梯度

更新時間：2021年05月13日 11:52:22 作者：Jee_King

這篇文章主要介紹了pytorch 實現(xiàn)打印網(wǎng)絡(luò)回傳梯度的操作，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教

需求：

打印梯度，檢查網(wǎng)絡(luò)學(xué)習(xí)情況

net = your_network().cuda()
def train():
 ...
 outputs = net(inputs)
    loss = criterion(outputs, targets)
    loss.backward()
 for name, parms in net.named_parameters(): 
  print('-->name:', name, '-->grad_requirs:',parms.requires_grad, \
   ' -->grad_value:',parms.grad)
 ...

打印結(jié)果如下：

name表示網(wǎng)絡(luò)參數(shù)的名字； parms.requires_grad 表示該參數(shù)是否可學(xué)習(xí)，是不是frozen的； parm.grad 打印該參數(shù)的梯度值。

補充：pytorch的梯度計算

看代碼吧~

import torch
from torch.autograd import Variable
x = torch.Tensor([[1.,2.,3.],[4.,5.,6.]])  #grad_fn是None
x = Variable(x, requires_grad=True)
y = x + 2
z = y*y*3
out = z.mean()
#x->y->z->out
print(x)
print(y)
print(z)
print(out)
#結(jié)果:
tensor([[1., 2., 3.],
        [4., 5., 6.]], requires_grad=True)
tensor([[3., 4., 5.],
        [6., 7., 8.]], grad_fn=<AddBackward>)
tensor([[ 27.,  48.,  75.],
        [108., 147., 192.]], grad_fn=<MulBackward>)
tensor(99.5000, grad_fn=<MeanBackward1>)

若是關(guān)于graph leaves求導(dǎo)的結(jié)果變量是一個標(biāo)量，那么gradient默認為None，或者指定為“torch.Tensor([1.0])”

若是關(guān)于graph leaves求導(dǎo)的結(jié)果變量是一個向量，那么gradient是不能缺省的，要是和該向量同緯度的tensor

out.backward()
print(x.grad)
#結(jié)果:
tensor([[3., 4., 5.],
        [6., 7., 8.]])
#如果是z關(guān)于x求導(dǎo)就必須指定gradient參數(shù)：
gradients = torch.Tensor([[2.,1.,1.],[1.,1.,1.]])
z.backward(gradient=gradients)
#若z不是一個標(biāo)量，那么就先構(gòu)造一個標(biāo)量的值：L = torch.sum(z*gradient)，再關(guān)于L對各個leaf Variable計算梯度
#對x關(guān)于L求梯度
x.grad
#結(jié)果:
tensor([[36., 24., 30.],
        [36., 42., 48.]])

錯誤情況

z.backward()
print(x.grad) 
#報錯:RuntimeError: grad can be implicitly created only for scalar outputs只能為標(biāo)量創(chuàng)建隱式變量
    
x1 = Variable(torch.Tensor([[1.,2.,3.],[4.,5.,6.]])) 
x2 = Variable(torch.arange(4).view(2,2).type(torch.float), requires_grad=True)
c = x2.mm(x1)
c.backward(torch.ones_like(c))
# c.backward()
#RuntimeError: grad can be implicitly created only for scalar outputs
print(x2.grad)

從上面的例子中，out是常量，可以默認創(chuàng)建隱變量，如果反向傳播的不是常量，要知道該矩陣的具體值，在網(wǎng)絡(luò)中就是loss矩陣，方向傳播的過程中就是拿該歸一化的損失乘梯度來更新各神經(jīng)元的參數(shù)。