PyTorch中怎么进行梯度计算和反向传播

在PyTorch中，可以通过torch.autograd模块来进行梯度计算和反向传播。以下是一个简单的示例代码：

import torch

# 创建一个张量并设置requires_grad=True来追踪其计算历史
x = torch.tensor([2.0], requires_grad=True)
y = torch.tensor([3.0], requires_grad=True)

# 定义一个计算图
z = x * y

# 计算z相对于x和y的梯度
z.backward()

# 访问x和y的梯度
print(x.grad)  # 输出tensor([3.])
print(y.grad)  # 输出tensor([2.])

在这个示例中，我们首先创建了两个张量x和y，并设置requires_grad=True来追踪它们的计算历史。然后我们定义了一个计算图z = x * y，然后调用z.backward()来计算z相对于x和y的梯度。最后我们可以通过访问x.grad和y.grad来获取梯度值。

版权声明

本文内容由互联网用户自发贡献，该文观点仅代表作者本人
本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。