Pytorch-Trick AutoGrad认为另一种输出是最终结果 场景：所需的结果：这是我需要知道的：编辑1

如何解决Pytorch-Trick AutoGrad认为另一种输出是最终结果 场景：所需的结果：这是我需要知道的：编辑1

场景：

• 我有一个简单的炬管CNN网络，可以预测给定的图像输入是狗还是猫。

• 获得神经网络的输出后，我需要将X的修饰符应用于每个预测。例如，如果神经网络返回[0.6，0.4]，并且我想应用[0.05，-0.03]修饰符，则我需要将结果设为[0.65，0.37]。

所需的结果：

• 我希望AutoGrad认为最终输出为[0.65，0.37]。也就是说，AutoGrad根本不应该考虑添加修饰符。实际上，需要欺骗它以使最后一个运算结果是[0.65，0.37]而不是[0.6，0.4]，并考虑到反向传播。

这是我需要知道的：

• 我应该怎么做？我知道Torch会记录每个操作并相应地计算动态图。我根本不希望记录此操作，也不能使用torch.no_grad()包装器，因为之后需要进行反向传播。

---

编辑1

@trsvchn这是我执行您的方法时发生的情况。这是预期的吗？进行反向传播时，autograd会使用“ T”值而不是“数据”值吗？

解决方法

使用awk 'length==6{printf("%.0f MHz\n",$0/10^3); next} length==7{printf("%.1f GHz\n",$0/10^6)}' /sys/devices/system/cpu/cpu0/cpufreq/scaling_cur_freq 上下文管理器来停用torch.no_grad，例如，该操作将不会被记录，但是您应该使用就地操作，否则将添加另一个没有{{1}的张量并打破图表。就您而言：

autograd

,

这应该很简单： 您在forward函数中进行的任何数学运算通常都会包含在反向传播中，因为它已添加到计算图中。 因此，据我了解，您可以执行以下操作：

def forward(self,x):
    x = self.layer1(x)
    x = self.layerN(x)

    x = x + torch.tensor([0.5,-0.3]).cuda() #or .cpu()

您可以向前进行任何数学运算（只要它包括火炬张量即可）并将其包含在反向传播中。