我有三个简单的问题。
requires_grad = True
吗?或者它并不重要?如果没关系那么,为什么?forward
函数中的损失。编写函数或层是哪种方法更可取?为什么?我需要对这些问题做出明确而好的解释才能解决我的困惑。请帮忙。
答案 0 :(得分:10)
让我一起去吧。
这取决于“非差异”的含义。这里有意义的第一个定义是PyTorch不知道如何计算渐变。如果您尝试计算渐变,则会引发错误。两种可能的情况是:
a)您正在使用自定义PyTorch操作,其中尚未实现渐变,例如torch.svd()
。在这种情况下,您将获得TypeError
:
import torch
from torch.autograd import Function
from torch.autograd import Variable
A = Variable(torch.randn(10,10), requires_grad=True)
u, s, v = torch.svd(A) # raises TypeError
b)您已实施自己的操作,但没有定义backward()
。在这种情况下,您将获得NotImplementedError
:
class my_function(Function): # forgot to define backward()
def forward(self, x):
return 2 * x
A = Variable(torch.randn(10,10))
B = my_function()(A)
C = torch.sum(B)
C.backward() # will raise NotImplementedError
有意义的第二个定义是“数学上不可微分”。显然,在数学上不可微分的操作应该不具有实现的backward()
方法或者合理的子梯度。考虑例如torch.abs()
,其backward()
方法在0处返回子梯度0:
A = Variable(torch.Tensor([-1,0,1]),requires_grad=True)
B = torch.abs(A)
B.backward(torch.Tensor([1,1,1]))
A.grad.data
对于这些情况,您应该直接参考PyTorch文档并直接挖掘相应操作的backward()
方法。
没关系。 requires_grad
的使用是为了避免对子图的渐变进行不必要的计算。如果对需要渐变的操作有单个输入,则其输出也需要渐变。相反,只有当所有输入都不需要梯度时,输出也不需要它。从不在子图中执行向后计算,其中所有变量都不需要渐变。
因为,很可能有一些Variables
(例如nn.Module()
的子类的参数),您的loss
变量也会自动需要渐变。但是,您应该注意到requires_grad
的工作方式(请参见上文),您只能更改图表的叶子变量requires_grad
。
所有自定义PyTorch损失函数都是_Loss
的子类,nn.Module
是_Loss
的子类。 See here.如果你想坚持这个约定,你应该在定义自定义损失函数时继承AssertionError
。除了一致性之外,如果您没有将目标变量标记为volatile
或requires_grad = False
,则一个优点是您的子类将引发nn.Sequential()
。另一个优点是你可以在nn.Module
中嵌套你的损失函数,因为它是oregon.tract
我会因为这些原因推荐这种方法。