Pytorch反向傳播計(jì)算梯度默認(rèn)累加
今天學(xué)習(xí)pytorch實(shí)現(xiàn)簡(jiǎn)單的線性回歸，發(fā)現(xiàn)了pytorch的反向傳播時(shí)計(jì)算梯度采用的累加機(jī)制， 于是百度來一下，好多博客都說了累加機(jī)制，但是好多都沒有說明這個(gè)累加機(jī)制到底會(huì)有啥影響， 所以我趁著自己練習(xí)的一個(gè)例子正好直觀的看一下以及如何解決：
pytorch實(shí)現(xiàn)線性回歸
先附上試驗(yàn)代碼來感受一下：
torch.manual_seed(6)
lr = 0.01 # 學(xué)習(xí)率
result = []
# 創(chuàng)建訓(xùn)練數(shù)據(jù)
x = torch.rand(20, 1) * 10
y = 2 * x + (5 + torch.randn(20, 1))
# 構(gòu)建線性回歸函數(shù)
w = torch.randn((1), requires_grad=True)
b = torch.zeros((1), requires_grad=True)
# 這里是迭代過程，為了看pytorch的反向傳播計(jì)算梯度的細(xì)節(jié)，我先迭代兩次
for iteration in range(2):
# 前向傳播
wx = torch.mul(w, x)
y_pred = torch.add(wx, b)
# 計(jì)算 MSE loss
loss = (0.5 * (y - y_pred) ** 2).mean()
# 反向傳播
loss.backward()
# 這里看一下反向傳播計(jì)算的梯度
print("w.grad:", w.grad)
print("b.grad:", b.grad)
# 更新參數(shù)
b.data.sub_(lr * b.grad)
w.data.sub_(lr * w.grad)
上面的代碼比較簡(jiǎn)單，迭代了兩次， 看一下計(jì)算的梯度結(jié)果：
w.grad: tensor([-74.6261])
b.grad: tensor([-12.5532])
w.grad: tensor([-122.9075])
b.grad: tensor([-20.9364])
然后我稍微加兩行代碼， 就是在反向傳播上面，我手動(dòng)添加梯度清零操作的代碼，再感受一下結(jié)果：
torch.manual_seed(6)
lr = 0.01
result = []
# 創(chuàng)建訓(xùn)練數(shù)據(jù)
x = torch.rand(20, 1) * 10
#print(x)
y = 2 * x + (5 + torch.randn(20, 1))
#print(y)
# 構(gòu)建線性回歸函數(shù)
w = torch.randn((1), requires_grad=True)
#print(w)
b = torch.zeros((1), requires_grad=True)
#print(b)
for iteration in range(2):
# 前向傳播
wx = torch.mul(w, x)
y_pred = torch.add(wx, b)
# 計(jì)算 MSE loss
loss = (0.5 * (y - y_pred) ** 2).mean()
# 由于pytorch反向傳播中，梯度是累加的，所以如果不想先前的梯度影響當(dāng)前梯度的計(jì)算，需要手動(dòng)清0
if iteration > 0:
w.grad.data.zero_()
b.grad.data.zero_()
# 反向傳播
loss.backward()
# 看一下梯度
print("w.grad:", w.grad)
print("b.grad:", b.grad)
# 更新參數(shù)
b.data.sub_(lr * b.grad)
w.data.sub_(lr * w.grad)
w.grad: tensor([-74.6261])
b.grad: tensor([-12.5532])
w.grad: tensor([-48.2813])
b.grad: tensor([-8.3831])
從上面可以發(fā)現(xiàn)，pytorch在反向傳播的時(shí)候，確實(shí)是默認(rèn)累加上了上一次求的梯度， 如果不想讓上一次的梯度影響自己本次梯度計(jì)算的話，需要手動(dòng)的清零。
但是， 如果不進(jìn)行手動(dòng)清零的話，會(huì)有什么后果呢？ 我在這次線性回歸試驗(yàn)中，遇到的后果就是loss值反復(fù)的震蕩不收斂。下面感受一下：
torch.manual_seed(6)
lr = 0.01
result = []
# 創(chuàng)建訓(xùn)練數(shù)據(jù)
x = torch.rand(20, 1) * 10
#print(x)
y = 2 * x + (5 + torch.randn(20, 1))
#print(y)
# 構(gòu)建線性回歸函數(shù)
w = torch.randn((1), requires_grad=True)
#print(w)
b = torch.zeros((1), requires_grad=True)
#print(b)
for iteration in range(1000):
# 前向傳播
wx = torch.mul(w, x)
y_pred = torch.add(wx, b)
# 計(jì)算 MSE loss
loss = (0.5 * (y - y_pred) ** 2).mean()
# print("iteration {}: loss {}".format(iteration, loss))
result.append(loss)
# 由于pytorch反向傳播中，梯度是累加的，所以如果不想先前的梯度影響當(dāng)前梯度的計(jì)算，需要手動(dòng)清0
#if iteration > 0:
# w.grad.data.zero_()
# b.grad.data.zero_()
# 反向傳播
loss.backward()
# 更新參數(shù)
b.data.sub_(lr * b.grad)
w.data.sub_(lr * w.grad)
if loss.data.numpy() 1:
break
plt.plot(result)
上面的代碼中，我沒有進(jìn)行手動(dòng)清零，迭代1000次， 把每一次的loss放到來result中， 然后畫出圖像，感受一下結(jié)果：
接下來，我把手動(dòng)清零的注釋打開，進(jìn)行每次迭代之后的手動(dòng)清零操作，得到的結(jié)果：
可以看到，這個(gè)才是理想中的反向傳播求導(dǎo)，然后更新參數(shù)后得到的loss值的變化。
總結(jié)
這次主要是記錄一下，pytorch在進(jìn)行反向傳播計(jì)算梯度的時(shí)候的累加機(jī)制到底是什么樣子？ 至于為什么采用這種機(jī)制，我也搜了一下，大部分給出的結(jié)果是這樣子的：
但是如果不想累加的話，可以采用手動(dòng)清零的方式，只需要在每次迭代時(shí)加上即可
w.grad.data.zero_()
b.grad.data.zero_()
另外， 在搜索資料的時(shí)候，在一篇博客上看到兩個(gè)不錯(cuò)的線性回歸時(shí)pytorch的計(jì)算圖在這里借用一下：
以上為個(gè)人經(jīng)驗(yàn)，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。
您可能感興趣的文章:- pytorch 梯度NAN異常值的解決方案
- pytorch 權(quán)重weight 與 梯度grad 可視化操作
- PyTorch 如何檢查模型梯度是否可導(dǎo)
- 淺談pytorch中為什么要用 zero_grad() 將梯度清零
- PyTorch梯度裁剪避免訓(xùn)練loss nan的操作
- PyTorch 如何自動(dòng)計(jì)算梯度
- Pytorch獲取無梯度TorchTensor中的值
