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,用于计算梯度。
- 参数:
network (Union[Cell, Function, MethodType]) - 训练网络。
weights (ParameterTuple) - 训练网络中需要计算梯度的参数。默认值:
None
。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 >>> import mindspore >>> from mindspore import Tensor, nn, 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]]),)))