pytorch 警告不输出

Autograd

• AutoGrad简介

• 前言
• 注意要点:

• ==1.只有浮点数才能进行梯度传播==
• ==2.pytorch不允许tenosr 对 tensor 求导==
• ==3==. pytroch中会对叶子节点和require_grad=True的节点存储.grad

• require_grad
• requires_grad的具体用处（模型中）

• model.parameters()返回的是==生成器==generator

• param具体啥样？
• 还有个named_parameters()方法

• state_dict()得到的是==OrderedDict顺序字典==

• 有哪些方法？

• 如何自定义函数，以及前向后向传播？

• 1 exp函数
• 2 linear function
• 3 ReLu

• 重要一点是，图是在每次 迭代 时重新创建，这正是允许使用任意Python控制流语句的原因.
• AutoGrad尽量不要使用inplace的操作
• 引用

AutoGrad简介

前言

没人能理解超过3维的张量空间

To deal with hyper-planes in a 14-dimensional space, visualize a 3-D space and say ‘fourteen’ to yourself very loudly. Everyone does it —Geoffrey Hinton

注意要点:

1.只有浮点数才能进行梯度传播

修改一下后

从概念上讲，autograd记录一个图，记录在您执行操作时创建数据的所有操作，从而为您提供一个有向无环图，其叶是输入张量，根是输出张量。通过从根到叶跟踪这个图，您可以使用链式法则自动计算梯度。

动态图长得啥样子？

重点解释

2.pytorch不允许tenosr 对 tensor 求导

求导时都是 标量 对 Tensor进行求导。因此如果根节点是向量，就需要配个权重，然后求和变成标量，然后再反向传播梯度。

3. pytroch中会对叶子节点和require_grad=True的节点存储.grad

假设计算图如下

反向传播

绿色是叶子节点

is_leaf is True and requires_grad == True 条件下
才会存储.grad也可以自己定制：

require_grad

每个张量都有一个flag:requires_grad，允许从梯度计算中具体的排除某些子图，并可以提高效率。

输入变量中，只要有存在requires_grad = True的情况，那么输出变量的requires_grad 标志就为 True

>>> x = torch.randn(5, 5)  # requires_grad=False by default 默认为 false
>>> y = torch.randn(5, 5)  # requires_grad=False by default 默认为 false
>>> z = torch.randn((5, 5), requires_grad=True)
>>> a = x + y
>>> a.requires_grad
False
>>> b = a + z
>>> b.requires_grad
True

requires_grad的具体用处（模型中）

model.parameters()返回的是生成器generator

>>> model.parameters()
<generator object Module.parameters at 0x000001FC903EA728>

import torch
import torchvision
model = torchvision.models.resnet18(pretrained=True)

for param in model.parameters():
    param.requires_grad = False
# Replace the last fully-connected layer替换最后一层全连接层
# Parameters of newly constructed modules have requires_grad=True by default 整个新的模型仍然是requires_grad = True

model.fc = nn.Linear(512, 100)

# Optimize only the classifier 优化器更新分类器参数
optimizer = optim.SGD(model.fc.parameters(), lr=1e-2, momentum=0.9)

注意param是一种class

param具体啥样？

还有个named_parameters()方法

list(model.named_parameters())

另外例子：

>>> bn = torch.nn.BatchNorm1d(3, track_running_stats=True)
>>> list(bn.named_parameters())
[('weight', Parameter containing: tensor([1., 1., 1.], requires_grad=True)),
 ('bias', Parameter containing: tensor([0., 0., 0.], requires_grad=True))]

>>> list(bn.named_buffers())
[('running_mean', tensor([0., 0., 0.])),
 ('running_var', tensor([1., 1., 1.])),
 ('num_batches_tracked', tensor(0))]

>>> bn.state_dict()
OrderedDict([('weight', tensor([1., 1., 1.])),
             ('bias', tensor([0., 0., 0.])),
             ('running_mean', tensor([0., 0., 0.])),
             ('running_var', tensor([1., 1., 1.])),
             ('num_batches_tracked', tensor(0))])

state_dict()得到的是OrderedDict顺序字典

model.state_dict()

有哪些方法？

dir(param)

如何自定义函数，以及前向后向传播？

1 exp函数

2 linear function

3 ReLu

重要一点是，图是在每次 迭代 时重新创建，这正是允许使用任意Python控制流语句的原因.

AutoGrad尽量不要使用inplace的操作