您好,登錄后才能下訂單哦!
前提:我訓(xùn)練的是二分類網(wǎng)絡(luò),使用語言為pytorch
Varibale包含三個屬性:
data:存儲了Tensor,是本體的數(shù)據(jù)
grad:保存了data的梯度,本事是個Variable而非Tensor,與data形狀一致
grad_fn:指向Function對象,用于反向傳播的梯度計算之用
在構(gòu)建網(wǎng)絡(luò)時,剛開始的錯誤為:沒有可以grad_fn屬性的變量。
百度后得知要對需要進行迭代更新的變量設(shè)置requires_grad=True ,操作如下:
train_pred = Variable(train_pred.float(), requires_grad=True)`
這樣設(shè)置之后網(wǎng)絡(luò)是跑起來了,但是準(zhǔn)確率一直沒有提升,很明顯可以看出網(wǎng)絡(luò)什么都沒學(xué)到。
我輸出 model.parameters() (網(wǎng)絡(luò)內(nèi)部的權(quán)重和偏置)查看,發(fā)現(xiàn)它的權(quán)重并沒有更新,一直是同一個值,至此可以肯定網(wǎng)絡(luò)什么都沒學(xué)到,還是迭代那里出了問題。
詢問同門后發(fā)現(xiàn)問題不在這里。
計算loss時,target與train_pred的size不匹配,我以以下操作修改了train_pred,使兩者尺寸一致,才導(dǎo)致了上述問題。
train_pred = model(data) train_pred = torch.max(train_pred, 1)[1].data.squeeze() train_pred = Variable(train_pred.float(), requires_grad=False) train_loss = F.binary_cross_entropy(validation_pred.float(), target) train_loss.backward()
對train_pred多次處理后,它已無法正確地反向傳播,實際上應(yīng)該更改target,使其與train_pred size一致。
重點?。。∫雔oss正確反向傳播,應(yīng)直接將model(data)傳入loss函數(shù)。
最終修改代碼如下:
for batch_idx, (data, target) in enumerate(train_loader): # Get Samples label = target.view(target.size(0), 1).long() target_onehot = torch.zeros(data.shape[0], args.num_classes).scatter_(1, label, 1) data, target_onehot = Variable(data.cuda()), Variable(target_onehot.cuda().float()) model.zero_grad() # Predict train_pred = model(data) train_loss = F.binary_cross_entropy(train_pred, target_onehot) train_loss.backward() optimizer.step()
以上這篇淺談pytorch grad_fn以及權(quán)重梯度不更新的問題就是小編分享給大家的全部內(nèi)容了,希望能給大家一個參考,也希望大家多多支持億速云。
免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點不代表本網(wǎng)站立場,如果涉及侵權(quán)請聯(lián)系站長郵箱:is@yisu.com進行舉報,并提供相關(guān)證據(jù),一經(jīng)查實,將立刻刪除涉嫌侵權(quán)內(nèi)容。