获取无梯度Tensor
遇到的问题:
使用两个网络并行运算,一个网络的输出值要给另一个网络反馈。而反馈的输出值带有网络权重的梯度,即grad_fn=<XXXBackward0>.
这时候如果把反馈值扔到第二网络中更新,会出现第一个计算图丢失无法更新的错误。哎哟喂,我根本不需要第一个网络的梯度好吗?
一开始用了一个笨办法,先转numpy,然后再转回torch.Tensor。因为numpy数据是不带梯度的。
但是我的原始tensor的放在cuda上的,
cuda的张量是不能直接转Tensor,所以
t_error = td_error.cuda().data.cpu().numpy()
t_error = torch.FloatTensor(t_error).to(device)
从cuda转回了cpu,变成numpy,又转成了tensor,又回到了cuda上,坑爹呢这是,可能只有我才能写出如此低效的辣鸡代码了。
后来发现,其实直接在返回的时候添加
with torch.no_grad():
td_error = reward + GAMMA * v_ - v
即可.
补充:在pytorch中取一个tensor的均值,然后该张量中的所有值与其对比!
Pytorch中的Tensor的shape是(B, C, W, H),
对该tensor取均值并与所有值做对比代码如下:
C, H, W = tensor.shape[1], tensor.shape[2], tensor.shape[3]
for c in range(C):
mean = torch.mean(x[0][c])
for h in range(H):
for w in range(W):
if x[0][c][h][w] >= mean:
x[0][c][h][w] = mean
以上为个人经验,希望能给大家一个参考,也希望大家多多支持编程网。