前提：我训练的是二分类网络，使用语言为pytorch
Varibale包含三个属性：
data：存储了Tensor，是本体的数据
grad：保存了data的梯度，本事是个Variable而非Tensor，与data形状一致
grad_fn：指向Function对象，用于反向传播的梯度计算之用
在构建网络时，刚开始的错误为：没有可以grad_fn属性的变量。
百度后得知要对需要进行迭代更新的变量设置requires_grad=True ，操作如下：
train_pred = Variable(train_pred.float(), requires_grad=True)`
这样设置之后网络是跑起来了，但是准确率一直没有提升，很明显可以看出网络什么都没学到。
我输出 model.parameters() (网络内部的权重和偏置)查看，发现它的权重并没有更新，一直是同一个值，至此可以肯定网络什么都没学到，还是迭代那里出了问题。
询问同门后发现问题不在这里。
计算loss时，target与train_pred的size不匹配，我以以下操作修改了train_pred，使两者尺寸一致，才导致了上述问题。
train_pred = model(data) train_pred = torch.max(train_pred, 1)[1].data.squeeze() train_pred = Variable(train_pred.float(), requires_grad=False) train_loss = F.binary_cross_entropy(validation_pred.float(), target) train_loss.backward()
对train_pred多次处理后，它已无法正确地反向传播，实际上应该更改target，使其与train_pred size一致。
重点！！！要想loss正确反向传播，应直接将model(data)传入loss函数。
最终修改代码如下：
for batch_idx, (data, target) in enumerate(train_loader): # Get Samples label = target.view(target.size(0), 1).long() target_onehot = torch.zeros(data.shape[0], args.num_classes).scatter_(1, label, 1) data, target_onehot = Variable(data.cuda()), Variable(target_onehot.cuda().float()) model.zero_grad() # Predict train_pred = model(data) train_loss = F.binary_cross_entropy(train_pred, target_onehot) train_loss.backward() optimizer.step()
以上这篇浅谈pytorch grad_fn以及权重梯度不更新的问题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脚本之家。
