pytorch 自定义参数不更新

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