因此,我有一个带lstm层的深层卷积网络,在ltsm层之后,它拆分为计算两个不同的函数(使用两个不同的线性层),然后将其结果加在一起以形成最终的网络输出。
当我计算网络的损耗,以便可以让它计算梯度并更新权重时,我需要执行一些操作,然后让它计算派生值和计算出的目标值之间的损耗。
def update(output, target):
# target output is calculated outside the function
# operations on output
loss(output, target).backward()
self.optimizer.step()
网络有一些损耗(有时幅度很小,但有时也有较高的数量级),例如一些损耗:
tensor(1.00000e-04 *
5.7420)
tensor(2.7190)
tensor(0.9684)
它也具有此处计算的渐变:
for param in self.parameters():
print(param.grad.data.sum())
哪个输出:
tensor(1.00000e-03 *
1.9996)
tensor(1.00000e-03 *
2.6101)
tensor(1.00000e-02 *
-1.3879)
tensor(1.00000e-03 *
-4.5834)
tensor(1.00000e-02 *
2.1762)
tensor(1.00000e-03 *
3.6246)
tensor(1.00000e-03 *
6.6234)
tensor(1.00000e-02 *
2.9373)
tensor(1.00000e-02 *
1.2680)
tensor(1.00000e-03 *
1.8791)
tensor(1.00000e-02 *
1.7322)
tensor(1.00000e-02 *
1.7322)
tensor(0.)
tensor(0.)
tensor(1.00000e-03 *
-6.7885)
tensor(1.00000e-02 *
9.7793)
并且:
tensor(2.4620)
tensor(0.9544)
tensor(-26.2465)
tensor(0.2280)
tensor(-219.2602)
tensor(-2.7870)
tensor(-50.8203)
tensor(3.2548)
tensor(19.6163)
tensor(-18.6029)
tensor(3.8564)
tensor(3.8564)
tensor(0.)
tensor(0.)
tensor(0.8040)
tensor(-0.1157)
但是当我比较运行优化器前后的权重时,得到的结果是权重彼此相等。
查看权重是否发生变化的代码:
before = list(neuralnet.parameters())
neuralnet.update()
after = list(neuralnet.parameters())
for i in range(len(before)):
print(torch.equal(before[i].data, after[i].data))
上面的每次迭代都返回True。
答案 0 :(得分:1)
在初始化参数时,会将那些参数包装在torch.nn.Parameter()
类中,以使优化程序更新这些参数。如果您使用的是pytorch <0.4,请尝试使用torch.autograd.Variable()
。例如:
import torch
import torch.utils.data
from torch import nn, optim
from torch.nn import functional as F
class TEMP(nn.Module):
# Whole architecture
def __init__(self):
super(TEMP, self).__init__()
self.input = nn.Parameter(torch.ones(1,requires_grad = True)) # <----wrap it like this
def forward(self,x):
wt = self.input
y = wt*x
return y
model = TEMP()
optimizer = optim.Adam(model.parameters(), lr=0.001)
x = torch.randn(100)
y = 5*x
loss = torch.sum((y - model(x)).pow(2))
optimizer.zero_grad()
loss.backward()
optimizer.step()
print(model.input)
另外请注意,如果要在pytorch> = 0.4中初始化张量,则要更新该变量,请更改requires_grad = True
的值。
答案 1 :(得分:0)
https://discuss.pytorch.org/t/gradients-exist-but-weights-not-updating/20484/2?u=wr01得到了我想要的答案。问题是neuralnet.parameters()
不会克隆参数列表,因此当我更新权重时,权重在before变量中更新。