pytorch compute graph 计算图例子

最新推荐文章于 2025-05-25 21:16:04 发布

培之

最新推荐文章于 2025-05-25 21:16:04 发布

阅读量250

点赞数

CC 4.0 BY-SA版权

分类专栏： PyTorch 文章标签： pytorch 深度学习 python

本文链接：https://blog.youkuaiyun.com/OrdinaryMatthew/article/details/128693130

PyTorch 专栏收录该内容

33 篇文章

订阅专栏

文章通过两个例子展示了在PyTorch中对张量设置`requires_grad=True`时，计算梯度的不同影响。当直接用变量相乘与先转换为tensor再相乘时，梯度的计算和存储在变量上有所区别，特别是在反向传播(backward)过程中。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

例1

从例1、2中可以发现使用

y =torch.tensor(x * x, requires_grad=True)

跟使用

y =x*x

效果不一样

x = torch.tensor(0.3, requires_grad=True)
print(x)
y =torch.tensor(x * x, requires_grad=True)
print(y)
z = 2 * y
print(z)

z.backward()

print('x grad: ',x.grad)
print('y grad: ',y.grad)

输出1

tensor(0.3000, requires_grad=True)
tensor(0.0900, requires_grad=True)
tensor(0.1800, grad_fn=<MulBackward0>)
x grad:  None
y grad:  tensor(2.)

例2

x = torch.tensor(0.3, requires_grad=True)
print(x)
y =x * x
print(y)
z = 2 * y
print(z)

z.backward()

print('x grad: ',x.grad)
print('y grad: ',y.grad)

输出2

tensor(0.3000, requires_grad=True)
tensor(0.0900, grad_fn=<MulBackward0>)
tensor(0.1800, grad_fn=<MulBackward0>)
x grad:  tensor(1.2000)
y grad:  None