1

这是来自网站的示例 pytorch 代码：

class Net(nn.Module):

def __init__(self):
    super(Net, self).__init__()
    # 1 input image channel, 6 output channels, 3x3 square convolution
    # kernel
    self.conv1 = nn.Conv2d(1, 6, 3)
    self.conv2 = nn.Conv2d(6, 16, 3)
    # an affine operation: y = Wx + b
    self.fc1 = nn.Linear(16 * 6 * 6, 120)  # 6*6 from image dimension
    self.fc2 = nn.Linear(120, 84)
    self.fc3 = nn.Linear(84, 10)

def forward(self, x):
    # Max pooling over a (2, 2) window
    x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2))
    # If the size is a square you can only specify a single number
    x = F.max_pool2d(F.relu(self.conv2(x)), 2)
    x = x.view(-1, self.num_flat_features(x))
    x = F.relu(self.fc1(x))
    x = F.relu(self.fc2(x))
    x = self.fc3(x)
    return x

在前向函数中，我们只是对 x 应用一系列变换，但从未明确定义哪些对象是该变换的一部分。然而，在计算梯度和更新权重时，Pytorch“神奇地”知道要更新哪些权重以及应该如何计算梯度。

这个过程是如何工作的？是否正在进行代码分析，或者我缺少的其他东西？

4

1 回答 1

1

是的，前向传球有隐含分析。检查结果张量，有类似的东西grad_fn= <CatBackward>，这是一个链接，允许您展开整个计算图。它是在真正的前向计算过程中构建的，无论您如何定义网络模块，以“nn”或“功能”方式面向对象。

您可以利用此图进行网络分析，如下所示torchviz：https ://github.com/szagoruyko/pytorchviz/blob/master/torchviz/dot.py

于 2020-08-25T16:08:53.053 回答