PyTorch中的自动记录力学 – 1
Autograd力学
本说明将显示autograd如何运行和记录任务的K线走势图。看到这一点并不重要，但我们建议您熟悉它，因为它可以让您逐步构建有效，清洁的程序，并可以帮助您进行故障排除。
反过来禁止子图
每个Tensor都有一个标题：requires_grad，它考虑从斜率计算中细粒度地禁止子图，并可以扩展有效性。
- requires_grad
如果对一项需要倾向的活动有单独贡献，那么它的产量同样需要斜率。然后，如果所有数据源都不需要角度，则产量同样不需要它。反向计算从不在子图中执行，其中所有张量都不需要斜率。
>>> x = torch.randn（5,5）＃requires_grad = False当然
>>> y = torch.randn（5,5）＃requires_grad = False当然
>>> z = torch.randn（（5,5），requires_grad = True）
>>> a = x + y
>>> a.requires_grad
假
>>> b = a + z
>>> b.requires_grad
真正
当你需要停止模型的某些部分，或者你提前知道你不打算使用角度w.r.t时，这尤其有用。一些参数。例如，如果您需要对预训练的CNN进行微调，则在固化基础中切换requires_grad信号就足够了，并且不会中间任何中间支架，直到计算到达最后一层，相对变化将利用负载需要倾斜的，系统的产量同样需要它们。
model = torchvision.models.resnet18（pretrained = True）
for model.parameters（）中的param：
param.requires_grad =假
＃替换最后一个完全关联的图层
＃最近构建的模块的参数当然是requires_grad = True
model.fc = nn.Linear（512,100）
＃优化分类器
enhancer = optim.SGD（model.fc.parameters（），lr = 1e-2，momentum = 0.9）