我仍在努力理解 PyTorch autograd 系统。我正在努力的一件事是理解为什么.clamp(min=0)
并且nn.functional.relu()
似乎有不同的向后传球。
.clamp
它与 PyTorch 教程中使用的等价物特别令人困惑relu
,例如https://pytorch.org/tutorials/beginner/pytorch_with_examples.html#pytorch-nn。
我在分析具有一个隐藏层和一个 relu 激活(在输出层中为线性)的简单全连接网络的梯度时发现了这一点。
据我了解,以下代码的输出应该为零。我希望有人能告诉我我错过了什么。
import torch
dtype = torch.float
x = torch.tensor([[3,2,1],
[1,0,2],
[4,1,2],
[0,0,1]], dtype=dtype)
y = torch.ones(4,4)
w1_a = torch.tensor([[1,2],
[0,1],
[4,0]], dtype=dtype, requires_grad=True)
w1_b = w1_a.clone().detach()
w1_b.requires_grad = True
w2_a = torch.tensor([[-1, 1],
[-2, 3]], dtype=dtype, requires_grad=True)
w2_b = w2_a.clone().detach()
w2_b.requires_grad = True
y_hat_a = torch.nn.functional.relu(x.mm(w1_a)).mm(w2_a)
y_a = torch.ones_like(y_hat_a)
y_hat_b = x.mm(w1_b).clamp(min=0).mm(w2_b)
y_b = torch.ones_like(y_hat_b)
loss_a = (y_hat_a - y_a).pow(2).sum()
loss_b = (y_hat_b - y_b).pow(2).sum()
loss_a.backward()
loss_b.backward()
print(w1_a.grad - w1_b.grad)
print(w2_a.grad - w2_b.grad)
# OUT:
# tensor([[ 0., 0.],
# [ 0., 0.],
# [ 0., -38.]])
# tensor([[0., 0.],
# [0., 0.]])
#