建设局建筑电工证查询网站,做网站的客户多吗,gpu服务器租用价格,一个大学网站做的好坏于否的标准参考#xff1a;https://www.ngui.cc/el/507608.html?actiononClick这里面简单回顾一下PyTorch 里面的两个常用的梯度自动计算的APIautoGrad 和 Backward, 最后结合 softmax 简单介绍一下一下应用场景。目录#xff1a;1 autoGrad2 Backward3 softmax一 autoGrad输入 x输出损…参考 https://www.ngui.cc/el/507608.html?actiononClick这里面简单回顾一下PyTorch 里面的两个常用的梯度自动计算的APIautoGrad 和 Backward, 最后结合 softmax 简单介绍一下一下应用场景。目录 1 autoGrad 2 Backward 3 softmax一 autoGrad 输入 x 输出 损失函数 参数更新 # -*- coding: utf-8 -*-Created on Mon Feb 13 21:28:26 2023author: cxf
import torch
import torch.nn.functional as Fdef grad():x torch.tensor([[1.0,2.0]]).view(2,1)w torch.full([2,1], 1.0,requires_grad True)target torch.ones((1,1))out torch.matmul(w.T, x)print(out)mse F.mse_loss(out, target)print(\n mse,mse)grad_w torch.autograd.grad(mse,[w]) print(grad_w)if __name__ __main__:grad() 二 Backward 求梯度另一种方法可以通过backward 在创建动态图后直接调用backward,更加方便import torch
import torch.nn.functional as Fdef grad():x torch.tensor([[1.0,2.0]]).view(2,1)w torch.full([2,1], 1.0,requires_grad True)target torch.ones((1,1))out torch.matmul(w.T, x)print(out)mse F.mse_loss(out, target)print(\n mse,mse)mse.backward() print(w.grad)if __name__ __main__:grad()三 softmax 多分类模型常用的激活函数 这种模型通常用交叉熵做损失函数 因为标签中只有一个为1其它都为0,假设为 则 (ji) 则写成向量形式为 import torch
import torch.nn.functional as F
from torch import nn#自己实现该梯度计算
def calcGrad(a,target):grad a -targetprint(\n 直接计算,grad)# 直接计算 tensor([[ 0.0900, -0.7553, 0.6652]], grad_fnSubBackward0)#调用API 方式实现
def grad():CEL nn.CrossEntropyLoss()z torch.tensor([[1.0,2.0,3.0]],requires_gradTrue)a F.softmax(z,dim1)print(\n 神经元输出,a)target torch.tensor([[0.0,1.0,0.0]])loss CEL(z,target)loss.backward()print(\n API 计算,z.grad)# API 计算 tensor([[ 0.0900, -0.7553, 0.6652]])calcGrad(a,target)if __name__ __main__:grad()这里面要注意nn.CrossEntropyLoss是相当于对z 先做softmax,得到a 然后再做交叉熵
