方法一：手动计算变量的梯度，然后更新梯度

import torchfrom torch.autograd import Variable# 定义参数w1 = Variable(torch.FloatTensor([1,2,3]),requires_grad = True)# 定义输出d = torch.mean(w1)# 反向求导d.backward()# 定义学习率等参数lr = 0.001# 手动更新参数w1.data.zero_() # BP求导更新参数之前,需先对导数置0w1.data.sub_(lr*w1.grad.data)

一个网络中通常有很多变量,如果按照上述的方法手动求导,然后更新参数,是很麻烦的,这个时候可以调用torch.optim

方法二：使用torch.optim

import torchfrom torch.autograd import Variableimport torch.nn as nnimport torch.optim as optim# 这里假设我们定义了一个网络,为netsteps = 10000# 定义一个optim对象optimizer = optim.SGD(net.parameters(), lr = 0.01)# 在for循环中更新参数for i in range(steps): optimizer.zero_grad() # 对网络中参数当前的导数置0 output = net(input) # 网络前向计算 loss = criterion(output, target) # 计算损失 loss.backward() #　得到模型中参数对当前输入的梯度 optimizer.step() # 更新参数

注意：torch.optim只用于参数更新和对参数的梯度置０，不能计算参数的梯度，在使用torch.optim进行参数更新之前，需要写前向与反向传播求导的代码

以上这篇Pytorch反向求导更新网络参数的方法就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持。