这篇教程pytorch_detach 切断网络反传方式写得很实用，希望能帮到您。
detach官方文档中，对这个方法是这么介绍的。 detach = _add_docstr(_C._TensorBase.detach, r""" Returns a new Tensor, detached from the current graph. The result will never require gradient. .. note:: Returned Tensor uses the same data tensor as the original one. In-place modifications on either of them will be seen, and may trigger errors in correctness checks. """) 返回一个新的从当前图中分离的 Variable。 返回的 Variable 永远不会需要梯度 如果 被 detach 的Variable volatile=True， 那么 detach 出来的 volatile 也为 True 还有一个注意事项，即：返回的 Variable 和 被 detach 的Variable 指向同一个 tensor import torchfrom torch.nn import initt1 = torch.tensor([1., 2.],requires_grad=True)t2 = torch.tensor([2., 3.],requires_grad=True)v3 = t1 + t2v3_detached = v3.detach()v3_detached.data.add_(t1) # 修改了 v3_detached Variable中 tensor 的值print(v3, v3_detached) # v3 中tensor 的值也会改变print(v3.requires_grad,v3_detached.requires_grad)'''tensor([4., 7.], grad_fn=<AddBackward0>) tensor([4., 7.])True False''' 在pytorch中通过拷贝需要切断位置前的tensor实现这个功能。tensor中拷贝的函数有两个，一个是clone()，另外一个是copy_(),clone()相当于完全复制了之前的tensor，他的梯度也会复制，而且在反向传播时，克隆的样本和结果是等价的，可以简单的理解为clone只是给了同一个tensor不同的代号，和‘='等价。所以如果想要生成一个新的分开的tensor，请使用copy_()。 不过对于这样的操作，pytorch中有专门的函数——detach()。 用户自己创建的节点是leaf_node(如图中的abc三个节点),不依赖于其他变量,对于leaf_node不能进行in_place操作.根节点是计算图的最终目标(如图y),通过链式法则可以计算出所有节点相对于根节点的梯度值.这一过程通过调用root.backward()就可以实现. 因此,detach所做的就是,重新声明一个变量,指向原变量的存放位置,但是requires_grad为false.更深入一点的理解是,计算图从detach过的变量这里就断了, 它变成了一个leaf_node.即使之后重新将它的requires_node置为true,它也不会具有梯度. pytorch 梯度(0.4之后),tensor和variable合并，tensor具有grad、grad_fn等属性； 默认创建的tensor，grad默认为False, 如果当前tensor_grad为None，则不会向前传播，如果有其它支路具有grad，则只传播其它支路的grad # 默认创建requires_grad = False的Tensorx = torch.ones(1) # create a tensor with requires_grad=False (default)print(x.requires_grad) # out: False # 创建另一个Tensor，同样requires_grad = Falsey = torch.ones(1) # another tensor with requires_grad=False # both inputs have requires_grad=False. so does the outputz = x + y # 因为两个Tensor x,y，requires_grad=False.都无法实现自动微分， # 所以操作（operation）z=x+y后的z也是无法自动微分，requires_grad=Falseprint(z.requires_grad) # out: False # then autograd won't track this computation. let's verify! # 因而无法autograd，程序报错# z.backward() # out：程序报错：RuntimeError: element 0 of tensors does not require grad and does not have a grad_fn # now create a tensor with requires_grad=Truew = torch.ones(1, requires_grad=True)print(w.requires_grad) # out: True # add to the previous result that has require_grad=False # 因为total的操作中输入Tensor w的requires_grad=True，因而操作可以进行反向传播和自动求导。total = w + z# the total sum now requires grad!total.requires_grad# out: True# autograd can compute the gradients as welltotal.backward()print(w.grad)#out: tensor([ 1.])# and no computation is wasted to compute gradients for x, y and z, which don't require grad# 由于z，x，y的requires_grad=False,所以并没有计算三者的梯度z.grad == x.grad == y.grad == None# True nn.Paramterimport torch.nn.functional as F# With square kernels and equal stridefilters = torch.randn(8,4,3,3)weiths = torch.nn.Parameter(torch.randn(8,4,3,3))inputs = torch.randn(1,4,5,5)out = F.conv2d(inputs, weiths, stride=2,padding=1)print(out.shape)con2d = torch.nn.Conv2d(4,8,3,stride=2,padding=1)out_2 = con2d(inputs)print(out_2.shape) 补充：Pytorch-detach()用法 目的：神经网络的训练有时候可能希望保持一部分的网络参数不变，只对其中一部分的参数进行调整。 或者训练部分分支网络，并不让其梯度对主网络的梯度造成影响.这时候我们就需要使用detach()函数来切断一些分支的反向传播. 1 tensor.detach()返回一个新的tensor，从当前计算图中分离下来。但是仍指向原变量的存放位置，不同之处只是requirse_grad为false.得到的这个tensir永远不需要计算器梯度，不具有grad. 即使之后重新将它的requires_grad置为true,它也不会具有梯度grad.这样我们就会继续使用这个新的tensor进行计算，后面当我们进行反向传播时，到该调用detach()的tensor就会停止，不能再继续向前进行传播. 注意： 使用detach返回的tensor和原始的tensor共同一个内存，即一个修改另一个也会跟着改变。 比如正常的例子是： import torch a = torch.tensor([1, 2, 3.], requires_grad=True)print(a)print(a.grad)out = a.sigmoid() out.sum().backward()print(a.grad) 输出 tensor([1., 2., 3.], requires_grad=True) None tensor([0.1966, 0.1050, 0.0452])
1.1 当使用detach()分离tensor但是没有更改这个tensor时，并不会影响backward(): import torch a = torch.tensor([1, 2, 3.], requires_grad=True)print(a.grad)out = a.sigmoid()print(out) #添加detach(),c的requires_grad为Falsec = out.detach()print(c) #这时候没有对c进行更改，所以并不会影响backward()out.sum().backward()print(a.grad) '''返回：Nonetensor([0.7311, 0.8808, 0.9526], grad_fn=<SigmoidBackward>)tensor([0.7311, 0.8808, 0.9526])tensor([0.1966, 0.1050, 0.0452])''' 以上为个人经验，希望能给大家一个参考，也希望大家多多支持51zixue.net。如有错误或未考虑完全的地方，望不吝赐教。
django filters实现数据过滤的示例代码
PyTorch学习之软件准备与基本操作总结 |
