我正在学习Pytorch,但是在他们网站上寻找该教程时,我无法理解grad_h = grad_h_relu.clone()
的意义。
h = x.mm(w1)
h_relu = h.clamp(min=0)
y_pred = h_relu.mm(w2)
# Compute and print loss
loss = (y_pred - y).pow(2).sum().item()
print(t, loss)
# Backprop to compute gradients of w1 and w2 with respect to loss
grad_y_pred = 2.0 * (y_pred - y)
grad_w2 = h_relu.t().mm(grad_y_pred)
grad_h_relu = grad_y_pred.mm(w2.t())
grad_h = grad_h_relu.clone() # what is the signifigance of this line?
grad_h[h < 0] = 0
grad_w1 = x.t().mm(grad_h)
# Update weights using gradient descent
w1 -= learning_rate * grad_w1
w2 -= learning_rate * grad_w2
答案 0 :(得分:0)
p = inputParser;
p.addSwitch ("clines");
p.addSwitch ("rlines");
p.addParamValue ("math", "X", @ischar);
p.addParamValue ("file", "matrix.tex", @ischar);
p.addParamValue ("align", "r", @(x) any(strcmpi(x, {"l", "c", "r"})));
p.parse (varargin{:});
这意味着您正在复制relu的渐变,以使其不与原始grad_h = grad_h_relu.clone()
共享内存。然后对它执行一些操作。由于它们存储在两个不同的位置,因此通过以下操作更改grad_h_relu
的值不会影响grad_h
。
grad_h_relu
此grad_h[h < 0] = 0
grad_w1 = x.t().mm(grad_h)
是更新网络参数所必需的。