如何解決pytorch損失反向傳播后梯度為none的問題

這篇文章主要講解了“如何解決pytorch損失反向傳播后梯度為none的問題”，文中的講解內(nèi)容簡單清晰，易于學習與理解，下面請大家跟著小編的思路慢慢深入，一起來研究和學習“如何解決pytorch損失反向傳播后梯度為none的問題”吧！

錯誤代碼：輸出grad為none

a = torch.ones((2, 2), requires_grad=True).to(device)
b = a.sum()
b.backward()
print(a.grad)

由于.to(device)是一次操作，此時的a已經(jīng)不是葉子節(jié)點了

修改后的代碼為：

a = torch.ones((2, 2), requires_grad=True)
c = a.to(device)

b = c.sum()
b.backward()
print(a.grad)

類似錯誤：

self.miu = torch.nn.Parameter(torch.ones(self.dimensional)) * 0.01

應該為

self.miu = torch.nn.Parameter(torch.ones(self.dimensional) * 0.01)

補充：pytorch梯度返回none的bug

pytorch2.4.0如果使用了view方法，reshape方法

tensor即使設(shè)置了requires_grad，反向傳播之后， x返回沒有g(shù)rad梯度，為none

不知道其他版本有無此bug

補充：PyTorch中梯度反向傳播的注意點

在一個迭代循環(huán)中

optimizer.zero_grad()語句的位置比較隨意，只要放在loss.backward()前面即可，它的作用是將梯度歸零，否則會在每一個迭代中進行累加，

loss.backward()的作用是反向傳播，計算梯度，optimizer.step()的功能是優(yōu)化器自動完成參數(shù)的更新。

optimizer.zero_grad()
loss.backward()
optimizer.step()

感謝各位的閱讀，以上就是“如何解決pytorch損失反向傳播后梯度為none的問題”的內(nèi)容了，經(jīng)過本文的學習后，相信大家對如何解決pytorch損失反向傳播后梯度為none的問題這一問題有了更深刻的體會，具體使用情況還需要大家實踐驗證。這里是億速云，小編將為大家推送更多相關(guān)知識點的文章，歡迎關(guān)注！