快捷導(dǎo)航

Pytorch反向傳播中的細(xì)節(jié)-計(jì)算梯度時(shí)的默認(rèn)累加操作

更新時(shí)間：2021年06月05日 14:30:40 作者：Miracle8070

這篇文章主要介紹了Pytorch反向傳播中的細(xì)節(jié)-計(jì)算梯度時(shí)的默認(rèn)累加操作，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教

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(lái)一下，好多博客都說(shuō)了累加機(jī)制，但是好多都沒(méi)有說(shuō)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(lái)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(guò)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(méi)有進(jìn)行手動(dòng)清零，迭代1000次，把每一次的loss放到來(lái)result中，然后畫出圖像，感受一下結(jié)果：

沒(méi)有進(jìn)行手動(dòng)清零