mindspore.nn.ForwardValueAndGrad

class mindspore.nn.ForwardValueAndGrad(network, weights=None, get_all=False, get_by_list=False, sens_param=False)[源代码]

训练网络的封装。

包括正向网络和梯度函数。该类生成的Cell使用’*inputs’输入来训练。通过梯度函数来创建反向图，用以计算梯度。

参数：

network (Cell) - 训练网络。
weights (ParameterTuple) - 训练网络中需要计算梯度的的参数。
get_all (bool) - 如果为True，则计算网络输入对应的梯度。默认值：False。
get_by_list (bool) - 如果为True，则计算参数变量对应的梯度。如果 get_all 和 get_by_list 都为False，则计算第一个输入对应的梯度。如果 get_all 和 get_by_list 都为True，则以（（输入的梯度）,（参数的梯度））的形式同时获取输入和参数变量的梯度。默认值：False。
sens_param (bool) - 是否将sens作为输入。如果 sens_param 为False，则sens默认为’ones_like(outputs)’。默认值：False。如果 sens_param 为True，则需要指定sens的值。

输入：

(*inputs) (Tuple(Tensor…)) - shape为 \((N, \ldots)\) 的输入tuple。
(sens) - 反向传播梯度的缩放值。如果网络有单个输出，则sens是tensor。如果网络有多个输出，则sens是tuple(tensor)。

输出：

forward value - 网络运行的正向结果。
gradients (tuple(tensor)) - 网络反向传播的梯度。

支持平台：

Ascend GPU CPU

样例：

>>> import numpy as np
>>> from mindspore import Tensor, nn, common, ops, ParameterTuple, Parameter
>>>
>>> class Net(nn.Cell):
...    def __init__(self):
...        super(Net, self).__init__()
...        self.weight = Parameter(Tensor(np.ones([2, 2]).astype(np.float32)), name="weight")
...        self.matmul = ops.MatMul()
...
...    def construct(self, x):
...        out = self.matmul(x, self.weight)
...        return out
...
>>> net = Net()
>>> criterion = nn.SoftmaxCrossEntropyWithLogits()
>>> net_with_criterion = nn.WithLossCell(net, criterion)
>>> weight = ParameterTuple(net.trainable_params())
>>> train_network = nn.ForwardValueAndGrad(net_with_criterion, weights=weight, get_all=True, get_by_list=True)
>>> inputs = Tensor(np.ones([1, 2]).astype(np.float32))
>>> labels = Tensor(np.ones([1, 2]).astype(np.float32))
>>> result = train_network(inputs, labels)
>>> print(result)
 (Tensor(shape=[1], dtype=Float32, value= [ 1.38629436e+00]), ((Tensor(shape=[1, 2], dtype=Float32, value=
[[ -1.00000000e+00,  -1.00000000e+00]]), Tensor(shape=[1, 2], dtype=Float32, value=
[[ 0.00000000e+00,  0.00000000e+00]])), (Tensor(shape=[2, 2], dtype=Float32, value=
[[ -5.00000000e-01,  -5.00000000e-01],
 [ -5.00000000e-01,  -5.00000000e-01]]),)))