pytorch 自定义参数不更新

举报
风吹稻花香 发表于 2021/06/05 22:29:54 2021/06/05
【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


  
  1. import torch
  2. xP=torch.Tensor([[ 3233.8557, 3239.0657, 3243.4355, 3234.4507, 3241.7087,
  3. 3243.7292, 3234.6826, 3237.6609, 3249.7937, 3244.8623,
  4. 3239.5349, 3241.4626, 3251.3457, 3247.4263, 3236.4924,
  5. 3251.5735, 3246.4731, 3242.4692, 3239.4958, 3247.7283,
  6. 3251.7134, 3249.0237, 3247.5637],
  7. [ 1619.9011, 1619.7140, 1620.4883, 1620.0642, 1620.2191,
  8. 1619.9796, 1617.6597, 1621.1522, 1621.0869, 1620.9725,
  9. 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

0/1000
抱歉,系统识别当前为高风险访问,暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称,即可参与社区互动!

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。