无法在需要grad的张量上调用numpy()。请改用tensor.detach().numpy()
在需要grad的张量上调用numpy()会导致错误，因为numpy()方法会将张量转换为numpy数组，而numpy数组不支持自动求导。为了解决这个问题，可以使用tensor.detach().numpy()方法来获取不需要梯度的张量的numpy数组。
tensor.detach()方法会返回一个新的张量，该张量与原始张量共享数据，但不会被记录在计算图中，因此不会影响梯度计算。然后，可以在detach()方法的结果上调用numpy()方法，将其转换为numpy数组。
这种方法适用于需要在计算图之外使用张量的情况，例如进行一些后处理操作或将张量传递给不支持PyTorch的函数或库。
以下是一个示例代码：
import torch
# 创建一个需要梯度的张量
x = torch.tensor([1, 2, 3], requires_grad=True)
# 使用tensor.detach().numpy()获取不需要梯度的numpy数组
numpy_array = x.detach().numpy()
# 打印numpy数组
print(numpy_array)推荐的腾讯云相关产品和产品介绍链接地址：
- 腾讯云计算服务：https://cloud.tencent.com/product/cvm
- 腾讯云数据库：https://cloud.tencent.com/product/cdb
- 腾讯云人工智能：https://cloud.tencent.com/product/ai
- 腾讯云物联网：https://cloud.tencent.com/product/iotexplorer
- 腾讯云移动开发：https://cloud.tencent.com/product/mobapp
- 腾讯云存储：https://cloud.tencent.com/product/cos
- 腾讯云区块链：https://cloud.tencent.com/product/baas
- 腾讯云元宇宙：https://cloud.tencent.com/product/vr
- 腾讯云网络安全：https://cloud.tencent.com/product/ddos
相关·内容
Pytorch 0.4.0引入了张量和变量类的合并。
在这个版本之前，当我想要从numpy数组创建一个具有自动分级功能的Variable时，我会执行以下操作(其中x是一个numpy数组)：
x = Variable(torch.from_numpy(x).float(), requires_grad=True)
在PyTorch版本0.4.0中，展示了如何在启用自动评分的情况下创建张量，示例显示您可以执行以下操作
x = torch.ones(3, 4, requires_grad=True)
并将requires_grad设置为现有张量
existing_tensor.requires_g
浏览 0提问于2018-04-29得票数 16
回答已采纳
1回答
我有一个f()表示的模型，
假设目标是t、f(x1) = y1和f(x2) = y2，并且我的损失被定义为
loss = mse(y1,y2) + mse(y2,t)
自从y1和y2毕业后，我收到了一些错误，例如
是计算梯度所需的变量之一，已经通过内部操作进行了修改。
我的理解是，假设我首先计算y1，在我对y2的评估中，图已经改变了。我应该修正一些张量，例如y1_no_grad = y1.detach().numpy()，然后使用loss = mse(y1_no_grad,y2) + mse(y2,t)吗？
但是，我仍然收到错误Can't call numpy() on Tensor
浏览 1提问于2021-04-17得票数 0
回答已采纳
我正在尝试实现一个分离学习模型，在这个模型中，我在客户端上的TF模型接收数据并生成中间输出。这个中间输出将被发送到运行Pytorch模型的服务器，该服务器将其作为输入，并将损失降到最低。然后，我的服务器将返回客户端梯度到TF模型的TF模型，以更新其权重。
我如何得到我的TF模型，用从服务器发送回来的梯度更新它的权重？
# pytorch client
client_output.backward(client_grad)
optimizer.step()
使用PyTorch，我可以做一个client_pred.backward(client_grad)和client_optimizer.ste
浏览 4提问于2020-09-10得票数 2
我想用pytorch的自梯度系统得到参数的梯度。但是，我的代码无法生成渐变。我认为当我使用函数时，自动梯度会失败，但是当我不使用很多自定义函数时，它会太长。我应该如何更改这段代码？我的具体代码如下所示。谢谢
import torch as T
import numpy as np
n_qubits=6
device=T.device('cuda:0' if T.cuda.is_available() else 'cpu')
m=3
s=np.zeros((2**m,1))
s[0]=1
M=np.kron(np.identity(2**(n_qubits-m)
浏览 0提问于2021-07-05得票数 0
我一直在尝试更好地理解RNN，并且正在使用numpy从头开始创建一个RNN。我在计算损失的时候，有人建议我不要用梯度下降和权重矩阵来更新自己，而是使用pytorch .backward函数。我开始阅读这里的一些文档和帖子，介绍它是如何工作的，似乎它将计算火炬张量在函数调用中包含requires_grad=True的梯度。
因此，除非创建火炬张量，否则我无法使用.backward。当我试图在损失标量上这样做时，我会得到一个'numpy.float64' object has no attribute 'backward'错误。我只是想确认一下。谢谢!
浏览 9提问于2022-07-20得票数 0
1回答
在火炬中冻结个人重量
、、、
下面的问题是，而不是重复的，因为这个问题的目的是从训练中冻结张量的子集，而不是整个层。
我正在尝试一个彩票假设的PyTorch实现。
为此，我想将权重冻结在一个零的模型中。以下是实现它的正确方法吗？
for name, p in model.named_parameters():
if 'weight' in name:
tensor = p.data.cpu().numpy()
grad_tensor = p.grad.data.cpu().numpy()
浏览 0提问于2019-09-28得票数 4
回答已采纳
我可以从看到下面的代码试图做什么。但来自sum的y=torch.sum(x**2)让我感到困惑。对于sum操作，y变成一个只有一个值的张量。我把.backward()理解为计算导数，为什么我们要使用sum并将y降低到一个值呢？
import pytorch
import matplotlib.pyplot as plt
x = torch.linspace(-10.0,10.0,10, requires_grad=True)
Y = x**2
y = torch.sum(x**2)
y.backward()
plt.plot(x.detach().numpy(), Y.detac
浏览 0提问于2019-08-02得票数 4
回答已采纳
来自PyTorch
b = torch.rand(10, requires_grad=True).cuda()
b.is_leaf
False
# b was created by the operation that cast a cpu Tensor into a cuda Tensor
e = torch.rand(10).cuda().requires_grad_()
e.is_leaf
True
# e requires gradients and has no operations creating it
f = torch.rand(10, requires_grad=Tr
浏览 3提问于2020-12-15得票数 7
回答已采纳
1回答
我只想提取一个非常大的pytorch张量的第一个元素。我已经看到一些帖子在谈论像my_tensor.numpy()[0]或者my_tensor.detach().numpy()[0]这样的选项，如果我使用requires_grad的话。仅仅访问一个元素似乎效率很低，特别是当我的张量很大的时候。有什么办法可以解决这个问题吗？
浏览 16提问于2021-04-24得票数 1
1回答
在学习梯度和使用Pytorch优化过程时，我想用图形计算损失函数值与权重值的变化。当我尝试绘制图形时，我同时使用了numpy和torch，因为我想进行比较。存储成绩列表的过程中。和损失函数值。它在numpy上有效：
def gradient(x,y, y_predicted):
return np.dot(2*x, y_predicted-y).mean()
dw = gradient(x,y,y_pred)
dw_list.append(dw)
[-120.0, -112.8, -106.032, -99.67008, -93.68988, -88.06848, -82.78437,
浏览 1提问于2020-08-02得票数 0
1回答
我会计算softmax回归的成本。页面底部给出了要计算的成本函数。
对于numpy，我可以获得如下所示的成本：
"""
X.shape = 2,300 # floats
y.shape = 300, # integers
W.shape = 2,3
b.shape = 3,1
"""
import numpy as np
np.random.seed(100)
# Data and labels
X = np.random.randn(300,2)
y = np.ones(300)
y[0:100] = 0
y[200:300] = 2
y
浏览 0提问于2018-02-01得票数 1
回答已采纳
我正在尝试提取多维张量的一些特定列。我可以在多维访问的概念中获取这些值；但是，当我创建新的值时，我会丢失张量的"grad_fn“选项。 我的实际多维张量x是： tensor([[[-8.5780, -7.1091, -8.9204, ..., -8.0616, -8.4115, -7.6345],
[-7.9776, -7.3767, -8.2914, ..., -7.9634, -9.1003, -7.5687],
[-7.7192, -7.4307, -8.4294, ..., -7.8605, -8.1345, -7.0781],
...,
浏览 20提问于2019-12-16得票数 1
回答已采纳
1回答
我试图复制一个DNN，其中使用了一个称为BlockRelu的块激活函数。它被定义为
我试着用一些关于自定义激活函数的示例代码来编写这个函数，但是这些函数都是标量函数，但是BlockRelu处理整个块。由于numpy数组和张量的不同，这里不能使用numpy函数。我想知道是否有人能帮忙。Thanks.Here是我的代码：
import tensorflow as tf
import numpy as np
from tensorflow.python.framework import ops
def block_relu(x):
for i in range(x.shape[0]):
浏览 1提问于2018-12-04得票数 1
回答已采纳
1回答
我是一个新的PyTorch用户，下面是我正在使用的代码。
epochs=20 # train for this number of epochs
losses=[] #to keep track on losses
for i in range(epochs):
i+=1 #counter
y_pred=model(cat_train,con_train)
loss=torch.sqrt(criterion(y_pred,y_train))
losses.append(loss) # append loss values
if
浏览 9提问于2022-05-26得票数 1
回答已采纳
我使用这个链接：创建了一个带有梯度的py_func函数。以下是Harpone公司的代码：
import tensorflow as tf
from tensorflow.python.framework import ops
import numpy as np
def py_func(func, inp, Tout, stateful=True, name=None, grad=None):
rnd_name = 'PyFuncGrad' + str(np.random.randint(0,1e+8))
tf.RegisterGradient(rnd_na
浏览 1提问于2016-10-15得票数 0
回答已采纳
我想知道我是否可以在Pytorch中构建一个图像调整模块，它接受3*H*W的torch.tensor作为输入，并返回一个张量作为调整后的图像。
我知道可以将张量转换为PIL图像并使用torchvision，但我也希望将梯度从调整大小的图像反向传播到原始图像，下面的示例将返回此类错误(在Windows10上的PyTorch 0.4.0中)：
import numpy as np
from torchvision import transforms
t2i = transforms.ToPILImage()
i2t = transforms.ToTensor()
trans = transfo
浏览 5提问于2018-05-18得票数 9
1回答
我正在使用tensorflow重新实现纸张，在从网络中获取梯度时，我面临一些严重的性能问题。为了快速地回顾他们在论文中所做的事情，他们有经过训练的网络，他们做一个前向支柱来得到插值图像，然后做w*h/ then ^2反支持，得到每个像素的输出wrt的梯度。由于反向传播的次数很多，为了在合理的时间内得到梯度，这必须相当有效(在论文中，每一个反向传播时间为8分钟，150 ms，128*384/16像素(在行和列上跨4))。由于在tensorflow中，由于梯度聚合(例如，请参阅)，无法批处理多个后端，因此我需要执行以下操作：
for i in range(0, h, stride):
f
浏览 1提问于2016-11-09得票数 3
1回答
张量运算与梯度
、、、、
我在youtube上上了一些教程，下面的代码示例用于解释衍生产品
创建张量。
x = torch.tensor(3.)
w = torch.tensor(4., requires_grad=True)
b = torch.tensor(5., requires_grad=True)
x, w, b
算术运算
y = w * x + b
y
计算导数
y.backward()
显示梯度
print('dy/dx:', x.grad)
print('dy/dw:', w.grad)
浏览 1提问于2021-12-14得票数 1
回答已采纳
2回答
我需要能够在我的调试输出中清楚地区分张量。让我用一个例子来说明这一点：
import tensorflow as tf
def loss(x):
return x**2
x = tf.Variable(5,dtype=float)
y = tf.Variable(x,dtype=float)
print("x:", x)
print("y:", y)
with tf.GradientTape() as tape1:
z1 = loss(x)
grad_z1 = tape1.gradient(z1, [x])
with tf.Gradie
浏览 0提问于2020-06-04得票数 0
1回答
当我在tf2.0渴望模式下量化一个张量时，我想用同一性(直接通过估计器)来支持。我能够执行正向传递，但在尝试为backprop应用我的模型的渐变时遇到ValueError: No gradients provided for any variable..错误。 我尝试使用自定义渐变。作为最小的示例，请考虑以下代码： import tensorflow as tf
@tf.custom_gradient
def quantize(x):
x = tf.cast(x, dtype=tf.uint8)
def grad(dy):
return dy
retu
浏览 10提问于2020-03-26得票数 3
我正在学习Pytorch，并在学习教程时遇到了这样的错误："RuntimeError:不能在要求梯度的张量上调用numpy()。使用tensor.detach().numpy()代替。“
我要把我的损失加到一个名为final_losses的列表中
for i in range(epochs):
y_pred=model.forward(X_train)
loss=loss_function(y_pred,y_train)
final_losses.append(loss)
这是一个简单的ANN模块，有两个完全连接的层，我在它们中使用Relu函数。我正试图打印一张
浏览 3提问于2022-10-11得票数 0
回答已采纳
我正在尝试使用Pytorch框架构建线性回归，在实现梯度下降时，根据我在Python代码中使用算术运算的方式，我观察到了两种不同的输出。代码如下： #X and Y are input and target labels respectively
X = torch.randn(100,1)*10
Y = X + 3*torch.randn(100,1) +2
plt.scatter(X.numpy(),Y.numpy())
#Initialiation of weight and bias
w = torch.tensor(1.0,requires_grad=True)
浏览 7提问于2019-05-07得票数 2
1回答
所以我有一个定制层，它没有任何权重。在第一步中，我尝试实现在Kers中操作输入张量的函数。但由于许多原因，我没有成功。我的第二种方法是用numpy操作实现函数，因为我正在实现的自定义层没有任何权重，据我的理解，我可以使用numpy操作，因为我不需要反向传播，因为没有权值，对吗？然后，我将图层的输出转换为张量，其中：
Keras.backend.variable(value = output)
因此，主要思想是实现一个自定义层，该层接受张量，将它们转换为numpy数组，使用numpy操作对它们进行操作，然后将输出转换为张量。问题是，我似乎无法使用.eval()来将层的输入张量转换为numpy
浏览 4提问于2017-11-30得票数 1
回答已采纳
我将尽我所能在这里提供一个可复制的例子。
我有一个形象：
这张亚伦·埃克哈特的照片是(150, 150)
我的目标是通过对像素进行数学运算来扰乱这幅图像的ROI，但是问题是必须以tensorflow张量的形式进行数学运算，因为所要做的数学运算是将张量乘以它的缩放梯度(也是尺寸的张量(row_pixels，column_pixels，3))。
这就是我想象的过程：
以numpy数组RGB大小读取图像：(1,150,150，3) (1是批处理大小)
w, h = img.shape
ret = np.empty((w, h, 3), dtype=np.uint8)
ret[:, :,
浏览 3提问于2018-08-05得票数 7
回答已采纳
2回答
我需要将方法定义为自定义梯度，如下所示：
class CustGradClass:
def __init__(self):
pass
@tf.custom_gradient
def f(self,x):
fx = x
def grad(dy):
return dy * 1
return fx, grad
我得到了以下错误：
(<main.CustGradClass :尝试将不受支持的类型()的值0x12ed91710>对象转换为张量。
原因是自定义梯度接受函数f(*x)，其中x是
浏览 1提问于2019-02-22得票数 3
回答已采纳
2回答
在“ of torch.autograd.grad”中指出，对于参数，
参数：
输出(张量序列)-差异化函数的输出。
输入(张量序列)-输入w.r.t.其中的梯度将被返回(而不是累积到.grad中)。
我尝试以下几点：
a = torch.rand(2, requires_grad=True)
b = torch.rand(2, requires_grad=True)
c = a+b
d = a-b
torch.autograd.grad([c, d], [a, b]) #ValueError: only one element tensors can be converted to
浏览 2提问于2019-09-23得票数 5
回答已采纳
我已经在CIFAR10上训练了一个模型，我想得到输入的梯度。因此，我按如下方式运行代码： tf.compat.v1.disable_eager_execution()
print(tf.__version__)
x = model.input
y = model.output
grad = tf.gradients(y,x)[0]
sess = tf.compat.v1.Session()
result = sess.run(grad,feed_dict={x:train_images[0:1]})
print(result) tf的版本是2.3.0。我得到了这个错误： TypeEr
浏览 15提问于2020-08-29得票数 0
显示标题中提到的错误。 张量：@：'numpy.ndarray‘和’TypeError‘不支持的操作数类型 ? 使用Ubuntu和VS Studio Code (Newbie)。 使用以下代码： import numpy as np
import torch
inputs = np.array([[73, 67, 43],
[91, 88, 64],
[87, 134, 58],
[102, 43, 37],
[69
浏览 31提问于2021-08-12得票数 0
回答已采纳
我正在使用tensorflow 2.2进行研究，并希望实现一个自定义层，它接受向量(张量)输入并输出向量(张量)。我的输入/输出关系很复杂，我需要创建一个函数来计算正向传递和梯度。我遇到了做这项工作的custom_gradient function。不幸的是，完全不清楚的是如何将其用于矢量或张量输入和输出。特别是，我不知道如何返回雅可比矩阵或其某种形式。 举个简单的例子，假设我的自定义层计算输入a和权重W(权重)的向量矩阵乘积。这就是我解决问题的方法(为了简单起见，跳过初始化权重、构建等步骤)。 @tf.custom_gradient
def custom_op(A,W): # A is
浏览 15提问于2021-09-09得票数 0
我有以下功能
def msfe(ys, ts):
ys=ys.detach().numpy() #output from the network
ts=ts.detach().numpy() #Target (true labels)
pred_class = (ys>=0.5)
n_0 = sum(ts==0) #Number of true negatives
n_1 = sum(ts==1) #Number of true positives
FPE = sum((ts==0)[[bool(p) for p in (pred_cla
浏览 4提问于2019-10-25得票数 5
回答已采纳
张量b和c的requires_grad为True。但是张量d的requires_grad是False。我很好奇为什么会发生这种变化，因为所有输入的requires_grad都是真的。 然而，张量e的requires_grad是真的。我仍然可以在e上做backward()。但是，在这种情况下是否存在错误？ 我使用的是Python3.7和Pytorch1.1。 import torch
import torch.nn as nn
net = nn.Conv2d(1, 1, 3, padding=1)
a = torch.randn(1, 1, 10, 10)
b = net(a)
c = ne
浏览 78提问于2019-09-09得票数 2
回答已采纳
2回答
创建WxW张量：
x = Variable(torch.FloatTensor(W,W).zero_(), requires_grad=True)
做一些计算：
x_copy = x0=np.copy(x.data.numpy())
x_upd = handleArray(x_copy)
如何从x_upd分配x数据？
浏览 2提问于2018-05-30得票数 0
回答已采纳
我正在尝试使用tensorflow编写一个复杂的计算图，并计算关于函数参数的符号梯度。然而，当我的函数/图形涉及一些参数的聚集操作时，我正在努力解决这个问题。问题是Session.run返回的梯度不只是一个张量，而是IndexedSlices对象。我不知道如何正确地将它转换成张量。
下面是一个玩具示例，说明了这个问题
import tensorflow as tf
import numpy as np
from tensorflow.python.ops import gradients_impl as GI
T_W = tf.placeholder(tf.float32, [2],
浏览 0提问于2018-05-12得票数 0
我想在pytorch中创建一个上三角张量，我想让上三角张量的下半部分恒定为零。上三角张量的下半部分没有梯度。当我使用torch.triu()得到上三角张量时，上三角张量的下半部分有梯度，这意味着这样的“零”不是恒定的。那么如何得到一个上三角张量，并让上三角张量的下半部分恒定为零？
import torch
a=torch.randn(5,5)
c=torch.randn(1,5)
b=torch.triu(a).requires_grad_()
loss=torch.matmul(c,b)
loss=loss.sum()
loss.backward()
print(b.grad)
浏览 1提问于2020-07-25得票数 0
我遵循了tensorflow网站的官方教程：，在教程中还描述了如何调用示例ZeroOut的梯度，我想在下面这个简短的代码片段中进行尝试。
我在这里找到了代码：
import numpy as np
import tensorflow as tf
from tensorflow.python.framework import ops
from tensorflow.python.ops import array_ops
from tensorflow.python.ops import sparse_ops
zero_out_module = tf.load_op_library('./
浏览 2提问于2018-05-04得票数 0
回答已采纳
1回答
如何在pytorch中使用优化方法时包含边界。我有一个变量的张量，每个变量都有不同的界限。
upper_bound = torch.tensor([1,5,10], requires_grad=False)
lower_bound = torch.tensor([-1,-5,-10], requires_grad=False)
X = torch.tensor([10, -60, 105], require_grad=True)
for _ in range(100):
optimizer.zero_grad()
loss = ..
loss
浏览 0提问于2021-03-11得票数 0
我需要一些概念上的清晰化，包括Pytorch ()函数的输入。请参阅下列代码：
import torch
a = torch.tensor([2., 3.], requires_grad=True)
b = torch.tensor([6., 4.], requires_grad=True)
Q = 1/3*a**3 - 1/2*b**2
在这里，我定义了3个张量，我试图计算Q w.r.t a的导数。下面的行将简单地计算第一和第二导数。
Q_a = torch.autograd.grad(Q.sum(), a, create_graph=True)[0]
Q_aa = torch.autogr
浏览 5提问于2021-10-15得票数 0
回答已采纳
1回答
我遇到了一个问题，但我不知道为什么。首先，我用torch.tensor()创建了一个张量，我的目标是计算y=2*x的梯度，它最初是通过设置参数requires_grad = True来完成的。我运行了y.backward()，它成功了。
我认为上面提到的步骤是模式。我想看看这个模式是否适用于向量a中的每个元素，所以我写了for -循环，但是新的步骤返回的不是张量(2)。
我试着把每一个我都从循环中分离出来，就像在图片中一样，它起了作用。
我很困惑。请告诉我为什么。非常感谢!
import torch
x = torch.tensor([1.0,2.0,3.0,7.0],requires_gra
浏览 3提问于2022-04-11得票数 0
根据docs，如果张量是非标量的(即它的数据有多个元素)，并且需要梯度，则当我们将后向函数调用到张量时，该函数还需要指定梯度。
import torch
a = torch.tensor([10.,10.],requires_grad=True)
b = torch.tensor([20.,20.],requires_grad=True)
F = a * b
F.backward(gradient=torch.tensor([1.,1.]))
print(a.grad)
Output: tensor([20., 20.])
现在，缩放外部梯度：
a = torch.tensor([10.
浏览 1提问于2021-03-26得票数 2
在PyTorch中，Tensor类有一个grad_fn属性。这引用用于获取张量的操作:例如，如果a = b + 2，a.grad_fn将是AddBackward0。但是“引用”到底是什么意思呢？
使用AddBackward0检查inspect.getmro(type(a.grad_fn))将声明AddBackward0的唯一基类是object。此外，这个类的源代码(以及实际上在grad_fn中可能遇到的任何其他类)在中是找不到的！
所有这些都使我提出以下问题：
在grad_fn中准确地存储了什么，在反向传播过程中它是如何被调用的？
为什么存储在grad_fn中的对象没有某种普通的超类，
浏览 6提问于2021-02-27得票数 11
回答已采纳
在图像中的Pytorch文档中，我无法理解y.backward(v)是什么意思，为什么我们需要定义另一个张量v来进行向后操作，以及我们是如何预先获得x.grad感谢的结果的
浏览 1提问于2020-01-28得票数 0
1回答
from sklearn.metrics.pairwise import euclidean_distances as ED
optimizer = AdamW(model.parameters(), lr=opt.lr, betas=(opt.b1, opt.b2))
optimizer.zero_grad()
prediction = model(x)
loss = ED(prediction.detach.cpu().numpy(),labels.cpu().numpy()) # ED function requires numpy arrays
loss.backward()
opti
浏览 0提问于2021-10-30得票数 0
当最终张量中有一个以上的值时，可以使用自格法吗？
我试过以下几种方法。
x = torch.tensor([4.0, 5.0], requires_grad=True)
y = x ** 2
print(y)
y.backward()
抛出错误
RuntimeError: grad can be implicitly created only for scalar outputs
然而，下面的工作是有效的。
x = torch.tensor([4.0, 5.0], requires_grad=True)
y = x ** 2
y = torch.sum(y)
print(y)
y.bac
浏览 2提问于2018-11-13得票数 6
回答已采纳
1回答
我需要以一种可微的方式计算某个元素在张量中出现的次数。
我有张量
a = torch.arange(10, dtype = float, requires_grad=True)
print(a)
>>>tensor([0., 1., 2., 3., 4., 5., 6., 7., 8., 9.], dtype=torch.float64,
requires_grad=True)
假设我正在计算元素5.0出现的次数。我发现这个问题完全相同，但接受的答案是不可微的：
(a == 5).sum()
>>>tensor(1)
(a == 5).sum(
浏览 5提问于2022-06-12得票数 0
m = tf.Variable(0.44)
b = tf.Variable(0.87)
error = 0
for x, y in zip(x_data, y_label):
y_hat = m*x+b
error +=(y-y_label)**2
optimizer = tf.train.GradientDescentOptimizer(learning_rate = 0.001)
train = optimizer.minimize(error)
() 1优化器= tf.train.GradientDescentOptimizer(learning_rate =0.001
浏览 2提问于2017-12-07得票数 3
回答已采纳
1回答
我正在尝试实现一个非常简单的深层次学习框架，如PyTorch，以便更好地理解计算图和自动区分。我为受这启发的标量值实现了一个自动微分器，然后尝试实现一个张量自动微分器，您可以在下面的代码中看到。
import numpy as np
class Tensor:
def __init__(self,data,_children=()):
self.data=data
self.grad=np.zeros_like(self.data)
self._prev=set(_children)
self._backward=lamb
浏览 0提问于2021-07-01得票数 1
回答已采纳
我有个火把张量：
Z = np.random.rand(100,2)
tZ = autograd.Variable(torch.cuda.FloatTensor(Z), requires_grad=True)
和一个索引数组：
idx = (np.array([0, 0, 0, 4, 3, 8], dtype="int64"),
np.array([0, 1, 2, 3, 7, 4], dtype="int64"))
我需要使用idx数组作为索引来查找tZ张量中所有对点的距离。
现在我正在用numpy做这件事，但是如果能用火炬来做的话那就太好了。
浏览 0提问于2018-06-02得票数 0
回答已采纳
我正在使用PyTorch 1.6.0来学习自动梯度的张量(例如x)。在学习x之后，我如何重新设置每个张量的.requires_grad，它是一个自格法的节点。从图到零？我了解torch.detach()和手动将.requires_grad设置为False。我在找一次指令。
Ps:我想这样做，因为我仍然想在我的代码中学习x的部分执行之后使用这些张量。另外，也有一些会被转换成“矮胖”。
浏览 1提问于2020-11-19得票数 1
回答已采纳
在tf.gradients中，有一个关键字参数grad_ys
grad_ys是与ys相同长度的张量列表，包含ys中每个y的初始梯度。当grad_ys为0时，我们对ys中的每一个y填充一个‘1’s的y形状的张量。用户可以为每个y提供自己的初始grad_ys以使用不同的初始梯度来计算导数(例如，如果希望对每个y中的每个值加权不同的梯度)。
为什么这里需要grads_ys？这里的文档是隐含的。你能给出一些具体的用途和代码吗？
我为tf.gradients编写的示例代码是
In [1]: import numpy as np
In [2]: import tensorflow as tf
浏览 0提问于2018-06-21得票数 3
回答已采纳
1回答
传递一个期望单个值的数组？
、、、、
我试图在Python中实现简单的优化问题。我目前正在与以下错误作斗争：
值错误：包含多个元素的数组的真值不明确。使用a.any()或a.all()
据我所知，这意味着我正试图插入一个只能接受单个值的数组。尽管如此，我还没有想出解决办法，也没有发现问题出在哪里。
我的代码如下
def validationCurve(X, y, Xval, yval):
#[lmbda_vec, error_train, error_val] =
# VALIDATIONCURVE(X, y, Xval, yval) returns the train and
# validation
浏览 0提问于2016-10-12得票数 0
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
腾讯会议
实时音视频活动推荐
腾讯云开发者
