个人中心
文章发布
退出
作者热门文章
- ubuntu12.04环境下使用kvm ioctl接口实现最简单的虚拟机
- Ubuntu 通过无线网络安装Ubuntu Server启动系统后连接无线网络的方法
- 在Ubuntu上搭建网桥的方法
- ubuntu 虚拟机上网方式及相关配置详解
29
4
CFSDN坚持开源创造价值，我们致力于搭建一个资源共享平台，让每一个IT人在这里找到属于你的精彩世界.
这篇CFSDN的博客文章浅谈pytorch中为什么要用 zero_grad() 将梯度清零由作者收集整理，如果你对这篇文章有兴趣，记得点赞哟.
调用backward()函数之前都要将梯度清零，因为如果梯度不清零，pytorch中会将上次计算的梯度和本次计算的梯度累加.
这样逻辑的好处是，当我们的硬件限制不能使用更大的bachsize时，使用多次计算较小的bachsize的梯度平均值来代替，更方便，坏处当然是每次都要清零梯度.
|
1
2
3
4
|
optimizer.zero_grad()
output
=
net(
input
)
loss
=
loss_f(output, target)
loss.backward()
|
补充：Pytorch 为什么每一轮batch需要设置optimizer.zero_grad 。
CSDN上有人写过原因，但是其实写得繁琐了.
根据pytorch中的backward()函数的计算，当网络参量进行反馈时，梯度是被积累的而不是被替换掉；但是在每一个batch时毫无疑问并不需要将两个batch的梯度混合起来累积，因此这里就需要每个batch设置一遍zero_grad 了.
其实这里还可以补充的一点是，如果不是每一个batch就清除掉原有的梯度，而是比如说两个batch再清除掉梯度，这是一种变相提高batch_size的方法，对于计算机硬件不行，但是batch_size可能需要设高的领域比较适合，比如目标检测模型的训练.
关于这一点可以参考这里 。
关于backward()的计算可以参考这里 。
补充：pytorch 踩坑笔记之w.grad.data.zero_() 。
在使用pytorch实现多项线性回归中，在grad更新时，每一次运算后都需要将上一次的梯度记录清空，运用如下方法
|
1
2
|
w.grad.data.zero_()
b.grad.data.zero_()
|
。
但是，运行程序就会报如下错误:
报错，grad没有data这个属性， 。
原因是，在系统将w的grad值初始化为none，第一次求梯度计算是在none值上进行报错，自然会没有data属性 。
修改方法：添加一个判断语句，从第二次循环开始执行求导运算 。
|
1
2
3
4
5
6
7
8
9
|
for i in range(100):
y_pred = multi_linear(x_train)
loss = getloss(y_pred,y_train)
if i != 0:
w.grad.data.zero_()
b.grad.data.zero_()
loss.backward()
w.data = w.data - 0.001 * w.grad.data
b.data = b.data - 0.001 * b.grad.data
|
。
以上为个人经验，希望能给大家一个参考，也希望大家多多支持我.
原文链接：https://blog.csdn.net/u011959041/article/details/102760868 。
最后此篇关于浅谈pytorch中为什么要用 zero_grad() 将梯度清零的文章就讲到这里了,如果你想了解更多关于浅谈pytorch中为什么要用 zero_grad() 将梯度清零的内容请搜索CFSDN的文章或继续浏览相关文章，希望大家以后支持我的博客！ 。
29
4
0
我正在尝试调整 tf DeepDream 教程代码以使用另一个模型。现在当我调用 tf.gradients() 时: t_grad = tf.gradients(t_score, t_input)[0
考虑到 tensorflow 中 mnist 上的一个简单的小批量梯度下降问题(就像在这个 tutorial 中)，我如何单独检索批次中每个示例的梯度。 tf.gradients()似乎返回批次中所有
当我在 numpy 中计算屏蔽数组的梯度时 import numpy as np import numpy.ma as ma x = np.array([100, 2, 3, 5, 5, 5, 10,
除了数值计算之外，是否有一种快速方法来获取协方差矩阵(我的网络激活)的导数？ 我试图将其用作深度神经网络中成本函数中的惩罚项，但为了通过我的层反向传播误差，我需要获得导数。 在Matlab中，如果“a
我有一个计算 3D 空间标量场值的函数，所以我为它提供 x、y 和 z 坐标(由 numpy.meshgrid 获得)的 3D 张量，并在各处使用元素运算。这按预期工作。 现在我需要计算标量场的梯度。
我正在使用内核密度估计 (KDE) ( http://docs.scipy.org/doc/scipy/reference/generated/scipy.stats.gaussian_kde.htm
我对 tensorflow gradient documentation 中的示例感到困惑用于计算梯度。 a = tf.constant(0.) b = 2 * a g = tf.gradients(
我有一个 softmax 层(只有激活本身，没有将输入乘以权重的线性部分)，我想对其进行向后传递。 我找到了很多关于 SO 的教程/答案来处理它，但它们似乎都使用 X 作为 (1, n_inputs)
仅供引用，我正在尝试使用 Tensorflow 实现梯度下降算法。 我有一个矩阵X [ x1 x2 x3 x4 ] [ x5 x6 x7 x8 ] 我乘以一些特征向量 Y 得到 Z [ y
我目前有一个由几百万个不均匀分布的粒子组成的体积，每个粒子都有一个属性(对于那些好奇的人来说是潜在的)，我想为其计算局部力(加速度)。 np.gradient 仅适用于均匀间隔的数据，我在这里查看:S
我正在寻找有关如何实现 Gradient (steepest) Descent 的建议在 C 中。我正在寻找 f(x)=||Ax-y||^2 的最小值，其中给出了 A(n,n) 和 y(n)。 这在
我正在查看 SVM 损失和导数的代码，我确实理解了损失，但我无法理解如何以矢量化方式计算梯度 def svm_loss_vectorized(W, X, y, reg): loss = 0.0 dW
我正在寻找一种有效的方法来计算 Julia 中多维数组的导数。准确地说，我想要一个等效的 numpy.gradient在 Julia 。但是，Julia 函数 diff : 仅适用于二维数组 沿微分维
我在cathesian 2D 系统中有两个点，它们都给了我向量的起点和终点。现在我需要新向量和 x 轴之间的角度。 我知道梯度 = (y2-y1)/(x2-x1) 并且我知道角度 = arctan(g
我有一个 2D 数组正弦模式，想要绘制该函数的 x 和 y 梯度。我有一个二维数组 image_data : def get_image(params): # do some maths on
假设我有一个针对 MNIST 数据的简单 TensorFlow 模型，如下所示 import tensorflow as tf from tensorflow.examples.tutorials.m
我想查看我的 Tensorflow LSTM 随时间变化的梯度，例如，绘制从 t=N 到 t=0 的梯度范数。问题是，如何从 Tensorflow 中获取每个时间步长的梯度？ 最佳答案 在图中定义:
我有一个简单的神经网络，我试图通过使用如下回调使用张量板绘制梯度: class GradientCallback(tf.keras.callbacks.Callback): console =
在CIFAR-10教程中，我注意到变量被放置在CPU内存中，但它在cifar10-train.py中有说明。它是使用单个 GPU 进行训练的。 我很困惑..图层/激活是否存储在 GPU 中？或者，梯度
我有一个 tensorflow 模型，其中层的输出是二维张量，例如 t = [[1,2], [3,4]] . 下一层需要一个由该张量的每一行组合组成的输入。也就是说，我需要把它变成t_new = [[
我是一名优秀的程序员,十分优秀！