如何解决在PyTorch函数中使用PyTorch模块的正确方法是什么?
我们有一个自定义torch.autograd.Function
z(x,t)
,它以不适合指导自动微分的方式计算输出y
,并且已经针对其输入{ {1}}和x
,因此我们可以实现t
方法。
但是,该操作涉及对神经网络的多个内部调用,我们现已将其实现为backward
个对象的堆栈,这些对象包装在torch.nn.Linear
(一个net
)中。在数学上,这些参数由torch.nn.Module
参数化。
有没有办法让t
本身成为net
的{{1}}方法的输入?然后,我们将从forward
返回上游梯度z
和参数Jacobia backward
的乘积列表,其中每个参数Dy
都是{的子元素{1}}(除了dydt_i
之外,尽管x是数据并且不需要梯度累积)。
还是我们真的需要采取ti
(实际上是一个单独的net
的列表),并在Dy*dydx
中内部重构其中所有t
层的动作t_i
?
解决方法
我想您可以创建一个自定义仿函数,该仿函数继承torch.autograd.Function
并使forward
和backward
方法为非静态(即,删除{{3}中的@staticmethod
},这样net
可能是您函子的一个属性。看起来像
class MyFunctor(torch.nn.autograd.Function):
def __init(net):
self.net = net
def forward(ctx,x,t):
#store x and t in ctx in the way you find useful
# not sure how t is involved here
return self.net(x)
def backward(ctx,grad):
# do your backward stuff
net = nn.Sequential(nn.Linear(...),...)
z = MyFunctor(net)
y = z(x,t)
这将产生警告,说明您正在使用不推荐使用的旧方法来创建autograd函数(由于使用非静态方法),并且在反向传播之后,您需要格外小心,将net
中的梯度归零。因此,这并不是很方便,但是我不知道有什么更好的方法来实现有状态的autograd功能。
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。