深度学习之反向传播-Toy模板网

这篇具有很好参考价值的文章主要介绍了深度学习之反向传播。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

（在pytorch包中）Tensor数据成员：data（存放数据w，也是Tensor变量，但是取data不会构建计算图）和grad（存放梯度loss对w的导，调用bacward之后grad也是个Tensor，每次引用结束要zero）

backward会释放计算图，每一次运行神经网络时计算图可能是不同的，所以没进行一次反向传播就释放计算图

exercise：

# -*- coding: utf-8 -*-
# @Time    : 2023-07-11 23:01
# @Author  : yuer
# @FileName: exercise04.py
# @Software: PyCharm
import torch

x_data = [1.0, 2.0, 3.0]
y_data = [2.0, 4.0, 6.0]

# w是一个包含data和grad的张量
w = torch.Tensor([1.0])
w.requires_grad = True


def forward(x):
    return x * w


# 数乘，将x强制类型转换为Tensor
# data和grad都是Tensor，但是取tensor中的data是不会构建计算图的。

def loss(x, y):
    y_pred = forward(x)
    return (y_pred - y) ** 2


print("predict (before training)", 4, forward(4).item())
for epoch in range(100):
    for x, y in zip(x_data, y_data):
        l = loss(x, y)
        # 是包含w的计算，也是Tensor变量
        l.backward()
        # l.backward()会把计算图中所有需要梯度(grad)的地方都会求出来，然后把梯度都存在对应的待求的参数中，最终计算图被释放。
        # 调用该方法后w.grad由None更新为Tensor类型，并释放计算图
        print('\tgrad:', x, y, w.grad.item())
        # item是标量，用于输出此数据
        w.data = w.data - 0.01 * w.grad.data
        # w中data与grad都为Tensor变量
        w.grad.data.zero_()
        # 每次反向传播(grad中)的数据要清零，否则梯度值是每次计算相加的总额
    print('progress:', epoch, l.item())

print("predict (after training)", 4, forward(4).item())

homework：文章来源地址https://www.toymoban.com/news/detail-563895.html

# -*- coding: utf-8 -*-
# @Time    : 2023-07-12 10:50
# @Author  : yuer
# @FileName: homework04.py
# @Software: PyCharm
import torch

x_data = [1.0, 2.0, 3.0]
y_data = [2.0, 4.0, 6.0]

w1 = torch.Tensor([1.0])
w1.requires_grad = True

w2 = torch.Tensor([1.0])
w2.requires_grad = True

b = torch.Tensor([1.0])
b.requires_grad = True


def forward(x):
    return w1 * x * x + w2 * x + b


def loss(x, y):
    y_pred = forward(x)
    return (y_pred - y) ** 2


for epoch in range(100):
    for x, y in zip(x_data, y_data):
        l = loss(x, y)
        l.backward()
        print('\tgrad:', x, y, w1.grad.item(), w2.grad.item(), b.grad.item())
        w1.data = w1.data - 0.01 * w1.grad.data
        w2.data = w2.data - 0.01 * w2.grad.data
        b.data = b.data - 0.01 * b.grad.data
        w1.grad.data.zero_()
        w2.grad.data.zero_()
        b.grad.data.zero_()
    print('progress:', epoch, l.item())
print("predict (after training)", 4, forward(4).item())

到了这里，关于深度学习之反向传播的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！