Retropropagação em Múltiplos Passos
Assim como o Tensorflow, o PyTorch também permite construir grafos computacionais mais complexos envolvendo múltiplos tensores intermediários.
12345678910111213import torch # Create a 2D tensor with gradient tracking x = torch.tensor([[1.0, 2.0, 3.0], [3.0, 2.0, 1.0]], requires_grad=True) # Define intermediate layers y = 6 * x + 3 z = 10 * y ** 2 # Compute the mean of the final output output_mean = z.mean() print(f"Output: {output_mean}") # Perform backpropagation output_mean.backward() # Print the gradient of x print("Gradient of x:\n", x.grad)
O gradiente de output_mean em relação a x é calculado utilizando a regra da cadeia. O resultado mostra quanto uma pequena alteração em cada elemento de x afeta o output_mean.
Desativando o Rastreamento de Gradientes
Em alguns casos, pode ser desejável desativar o rastreamento de gradientes para economizar memória e processamento. Como requires_grad=False é o comportamento padrão, basta criar o tensor sem especificar este parâmetro:
x = torch.tensor([[1.0, 2.0, 3.0], [3.0, 2.0, 1.0]])
Swipe to start coding
Você deve construir uma rede neural simples em PyTorch. Seu objetivo é calcular o gradiente da perda em relação à matriz de pesos.
- Defina uma matriz de pesos aleatória (tensor)
Wde forma1x3, inicializada com valores de uma distribuição uniforme no intervalo [0, 1], com rastreamento de gradiente habilitado. - Crie uma matriz de entrada (tensor)
Xbaseada nesta lista:[[1.0, 2.0], [3.0, 4.0], [5.0, 6.0]]. - Realize a multiplicação de matrizes entre
WeXpara calcularY. - Calcule o erro quadrático médio (MSE):
loss = mean((Y - Ytarget)
2 ). - Calcule o gradiente da perda (
loss) em relação aWutilizando retropropagação. - Imprima o gradiente calculado de
W.
Solução
Obrigado pelo seu feedback!
single
Pergunte à IA
Pergunte à IA
Pergunte o que quiser ou experimente uma das perguntas sugeridas para iniciar nosso bate-papo
Awesome!
Completion rate improved to 5Retropropagação em Múltiplos Passos
Deslize para mostrar o menu
Assim como o Tensorflow, o PyTorch também permite construir grafos computacionais mais complexos envolvendo múltiplos tensores intermediários.
12345678910111213import torch # Create a 2D tensor with gradient tracking x = torch.tensor([[1.0, 2.0, 3.0], [3.0, 2.0, 1.0]], requires_grad=True) # Define intermediate layers y = 6 * x + 3 z = 10 * y ** 2 # Compute the mean of the final output output_mean = z.mean() print(f"Output: {output_mean}") # Perform backpropagation output_mean.backward() # Print the gradient of x print("Gradient of x:\n", x.grad)
O gradiente de output_mean em relação a x é calculado utilizando a regra da cadeia. O resultado mostra quanto uma pequena alteração em cada elemento de x afeta o output_mean.
Desativando o Rastreamento de Gradientes
Em alguns casos, pode ser desejável desativar o rastreamento de gradientes para economizar memória e processamento. Como requires_grad=False é o comportamento padrão, basta criar o tensor sem especificar este parâmetro:
x = torch.tensor([[1.0, 2.0, 3.0], [3.0, 2.0, 1.0]])
Swipe to start coding
Você deve construir uma rede neural simples em PyTorch. Seu objetivo é calcular o gradiente da perda em relação à matriz de pesos.
- Defina uma matriz de pesos aleatória (tensor)
Wde forma1x3, inicializada com valores de uma distribuição uniforme no intervalo [0, 1], com rastreamento de gradiente habilitado. - Crie uma matriz de entrada (tensor)
Xbaseada nesta lista:[[1.0, 2.0], [3.0, 4.0], [5.0, 6.0]]. - Realize a multiplicação de matrizes entre
WeXpara calcularY. - Calcule o erro quadrático médio (MSE):
loss = mean((Y - Ytarget)
2 ). - Calcule o gradiente da perda (
loss) em relação aWutilizando retropropagação. - Imprima o gradiente calculado de
W.
Solução
Mude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixoObrigado pelo seu feedback!
single
