Pytorch之浅入backward

目录

代码

输出

---

 

原地 ( in-place )操作都要加_ ，对于variable的grad属性，由于其是累加的，所以更新的时候需要清零，可以使用原地操作，例如x.grad.data.zero_()

代码

import torch
from torch.autograd import Variable

x = Variable(torch.ones(2,2),requires_grad = True)

y = x + 2
print(y)
y = y.mean()  #求平均数
print(y)

y.backward()  #反向传递函数，用于求y对前面的变量（x）的梯度
print(x.grad) # d(y)/d(x)

x.grad.data.zero_()  #grad是累加的，所以再次求需要清零

y.backward()
print(x.grad)

输出

自己创建的variable的grad_fn是none，但对于由计算得到的variable，例如 y，的grad_fn是不为none的，可以调用backward函数求梯度

tensor([[3., 3.],
        [3., 3.]], grad_fn=)

tensor(3., grad_fn=)

tensor([[0.2500, 0.2500],
        [0.2500, 0.2500]])

tensor([[0.2500, 0.2500],
        [0.2500, 0.2500]])