在神經網絡中，每一層運算都會進行網絡回傳梯度。那么pytorch如何打印網絡回傳梯度呢？接下來的這篇文章帶你了解。
需求：
打印梯度，檢查網絡學習情況
net = your_network().cuda()
def train():
...
outputs = net(inputs)
loss = criterion(outputs, targets)
loss.backward()
for name, parms in net.named_parameters():
print('-->name:', name, '-->grad_requirs:',parms.requires_grad,
' -->grad_value:',parms.grad)
...打印結果如下：
name表示網絡參數(shù)的名字； parms.requires_grad 表示該參數(shù)是否可學習，是不是frozen的； parm.grad 打印該參數(shù)的梯度值。
補充：pytorch的梯度計算
看代碼吧~
import torch
from torch.autograd import Variable
x = torch.Tensor([[1.,2.,3.],[4.,5.,6.]]) #grad_fn是None
x = Variable(x, requires_grad=True)
y = x + 2
z = y*y*3
out = z.mean()
#x->y->z->out
print(x)
print(y)
print(z)
print(out)
#結果:
tensor([[1., 2., 3.],
[4., 5., 6.]], requires_grad=True)
tensor([[3., 4., 5.],
[6., 7., 8.]], grad_fn=<AddBackward>)
tensor([[ 27., 48., 75.],
[108., 147., 192.]], grad_fn=<MulBackward>)
tensor(99.5000, grad_fn=<MeanBackward1>)
若是關于graph leaves求導的結果變量是一個標量，那么gradient默認為None，或者指定為“torch.Tensor([1.0])”
若是關于graph leaves求導的結果變量是一個向量，那么gradient是不能缺省的，要是和該向量同緯度的tensor
out.backward()
print(x.grad)
#結果:
tensor([[3., 4., 5.],
[6., 7., 8.]])
#如果是z關于x求導就必須指定gradient參數(shù)：
gradients = torch.Tensor([[2.,1.,1.],[1.,1.,1.]])
z.backward(gradient=gradients)
#若z不是一個標量，那么就先構造一個標量的值：L = torch.sum(z*gradient)，再關于L對各個leaf Variable計算梯度
#對x關于L求梯度
x.grad
#結果:
tensor([[36., 24., 30.],
[36., 42., 48.]])
錯誤情況
z.backward()
print(x.grad)
#報錯:RuntimeError: grad can be implicitly created only for scalar outputs只能為標量創(chuàng)建隱式變量
x1 = Variable(torch.Tensor([[1.,2.,3.],[4.,5.,6.]]))
x2 = Variable(torch.arange(4).view(2,2).type(torch.float), requires_grad=True)
c = x2.mm(x1)
c.backward(torch.ones_like(c))
# c.backward()
#RuntimeError: grad can be implicitly created only for scalar outputs
print(x2.grad)
從上面的例子中，out是常量，可以默認創(chuàng)建隱變量，如果反向傳播的不是常量，要知道該矩陣的具體值，在網絡中就是loss矩陣，方向傳播的過程中就是拿該歸一化的損失乘梯度來更新各神經元的參數(shù)。
看到一個博客這樣說：loss = criterion(outputs, labels)對應loss += (label[k] - h) * (label[k] - h) / 2
就是求loss（其實我覺得這一步不用也可以，反向傳播時用不到loss值，只是為了讓我們知道當前的loss是多少）
我認為一定是要求loss的具體值，才能對比閾值進行分類，通過非線性激活函數(shù)，判斷是否激活。
以上就是pytorch如何打印網絡回傳梯度的全部內容，希望能給大家一個參考，也希望大家多多支持W3Cschool。
