torch工具箱

• Autograde

  用户自己创建的叫叶子变量，计算得来的是中间变量；

  前向传播时，torch自动构建计算图，从input到loss；

  反向求导时，沿着计算图，从loss到input；

inpt = torch.ones(size=(4, ))
w = torch.tensor(2.0, requires_grad=True)
l = inpt * w
loss = l.mean()

# 钩子函数，在反向传播时将l的梯度打印，随后销毁
l.register_hook(lambda grad: print(f'l.grad:{grad}'))  

# 保存中间变量的梯度
# l.retain_grad()

loss.backward()  # 执行反向传播

print(w.grad)
print(w.grad_fn)  # None，因为是用户自创建
print(l.grad)     # None，应为是非叶子变量，所以默认不保存梯度

# <MulBackward0 object at xxx>，torch内定义了基本操作的反向传播函数
print(l.grad_fn)  

• seed

# 以下两命令执行顺序不同，有不同的效果

torch.manual_seed(1)  # 指定seed

torch.seed()  # 随机seed

• in-place操作
  直接在原始变量上操作，节省内存

标签：loss,变量,torch,seed,print,工具箱,grad
来源： https://www.cnblogs.com/wjw-cat/p/16602374.html