pytorch 自定义参数不更新
【摘要】 nn.Module中定义参数:不需要加cuda,可以求导,反向传播
class BiFPN(nn.Module): def __init__(self, fpn_sizes):
self.w1 = nn.Parameter(torch.rand(1))
print("no--...
nn.Module中定义参数:不需要加cuda,可以求导,反向传播
class BiFPN(nn.Module):
def __init__(self, fpn_sizes):
self.w1 = nn.Parameter(torch.rand(1))
print("no---------------------------------------------------",self.w1.data, self.w1.grad)
下面这个例子说明中间变量可能没有梯度,但是最终变量有梯度:
cy1 cd都有梯度
-
import torch
-
-
xP=torch.Tensor([[ 3233.8557, 3239.0657, 3243.4355, 3234.4507, 3241.7087,
-
3243.7292, 3234.6826, 3237.6609, 3249.7937, 3244.8623,
-
3239.5349, 3241.4626, 3251.3457, 3247.4263, 3236.4924,
-
3251.5735, 3246.4731, 3242.4692, 3239.4958, 3247.7283,
-
3251.7134, 3249.0237, 3247.5637],
-
[ 1619.9011, 1619.7140, 1620.4883, 1620.0642, 1620.2191,
-
1619.9796, 1617.6597, 1621.1522, 1621.0869, 1620.9725,
-
1620.7130, 1620.6071, 1620.7437, 1621.4825,
文章来源: blog.csdn.net,作者:网奇,版权归原作者所有,如需转载,请联系作者。
原文链接:blog.csdn.net/jacke121/article/details/103672674
【版权声明】本文为华为云社区用户转载文章,如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱:
cloudbbs@huaweicloud.com
- 点赞
- 收藏
- 关注作者
评论(0)