深度学习：非标量调用backward()求梯度实现原理、detach()

原创

于 2022-03-26 10:56:09 发布 · 2.5k 阅读

·

12

·

CC 4.0 BY-SA版权

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

文章标签：

#python #深度学习

本文介绍了深度学习中如何对非标量进行梯度计算，包括两种调用反向传播的方法：通过y.sum().backward()和传入ones参数。同时，解释了detach()函数的作用，它能从计算图中分离张量并阻止其进一步参与反向传播。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

计算图

非标量调用backward()求梯度

x = torch.arange(4.0)
x.requires_grad = True
y = x * x

$x=(x_{1},x_{2},x_{3},x_{4})$

$y = x*x=(x_{1}^{2},x_{2}^{2},x_{3}^{2},x_{4}^{2})$

方法1：通过y.sum().backward()调用反向传播

y.sum().backward()
print(x.grad)

最低0.47元/天解锁文章

200万优质内容无限畅学

评论 1

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。