Appelez backward() pour obtenir les gradients
Remplissez .grad en une ligne.
Appelez backward() pour obtenir les gradients est une leçon Deep Learning Academy gratuite sur CoddyKit. Ceci est la leçon 2 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage Deep Learning Academy, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours Deep Learning Academy comprend 4 leçons au total.
Une ligne pour dériver
Une fois votre graphe construit, un seul appel effectue tous les calculs différentiels. Exécutez backward() sur votre sortie et les gradients remontent jusqu’à chaque entrée.
Commencer par un scalaire
Vous appelez backward sur le nombre final que vous souhaitez minimiser, généralement la perte. Il doit s’agir d’un scalaire unique pour qu’autograd sache où commencer.
y = x ** 2
y.backward()Les gradients arrivent dans .grad
Une fois backward exécuté, le .grad de chaque tensor feuille contient la dérivée de la sortie par rapport à ce tensor. Les calculs sont déjà terminés.
print(x.grad)Une vérification rapide à la main
Pour y égal à x au carré, le calcul différentiel indique que la dérivée vaut 2x. Lorsque x vaut 2, elle vaut donc 4, et PyTorch remplit x.grad avec exactement 4.0.
Backward parcourt le graphe
backward() parcourt le graphe de la sortie vers les entrées en appliquant la règle de la chaîne à chaque nœud. Vous n’avez écrit que les calculs de forward, et vous obtenez tout cela automatiquement.
Gradients pour plusieurs entrées
Si votre sortie dépend de plusieurs tensors suivis, un seul appel à backward remplit le .grad de chacun d’eux simultanément. C’est ainsi que des modèles entiers sont mis à jour.
loss = (a * b + c).sum()
loss.backward()Le graphe est consommé
Par défaut, le graphe est libéré après backward pour économiser de la mémoire ; un deuxième appel provoque donc une erreur. Vous construisez un graphe nouveau lors de la propagation suivante.
Conservez-le si nécessaire
Vous devez appeler backward à nouveau sur le même graphe ? Passez retain_graph à true. C’est rarement nécessaire : ne le faites que si une erreur vous l’indique.
loss.backward(retain_graph=True)Sorties non scalaires
Si votre sortie est un vecteur, backward a besoin d’un argument gradient indiquant le poids à attribuer à chaque élément. La plupart du temps, vous faites plutôt une somme pour obtenir un scalaire.
Voici la propagation en arrière
Cet appel unique à backward constitue la fameuse propagation en arrière de l’entraînement. Forward calcule les prédictions, et backward calcule comment corriger les poids.
Des gradients à l’apprentissage
Les nombres contenus dans .grad indiquent à chaque poids dans quelle direction se déplacer. Un optimiseur les lit et ajuste légèrement les poids pour réduire un peu la perte.
Vérification rapide
Récapitulatif
Appelez backward() sur une perte scalaire : autograd applique la règle de la chaîne dans tout le graphe et remplit le .grad de chaque tensor avec sa dérivée. C’est la propagation en arrière. 🔁
Apprends Python avec un tuteur IA — gratuit
Écris et exécute du vrai code dans ton navigateur, obtiens de l'aide instantanée d'un tuteur IA disponible 24h/24, et reprends là où tu t'es arrêté sur le web ou dans l'app.
- Cours
- 30
- Leçons
- 120
Questions Fréquemment Posées
La leçon « Appelez backward() pour obtenir les gradients » est-elle gratuite ?
Oui — le texte complet de « Appelez backward() pour obtenir les gradients » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours Deep Learning Academy, passe à CoddyKit PRO. Le cours Deep Learning Academy comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « Appelez backward() pour obtenir les gradients » ?
Remplissez .grad en une ligne. Tu pratiques Deep Learning Academy avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer Deep Learning Academy ?
Aucune expérience préalable n'est requise. Deep Learning Academy sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 2 sur 4.
Combien de temps prend la leçon « Appelez backward() pour obtenir les gradients » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon Deep Learning Academy ?
Oui. Chaque leçon Deep Learning Academy inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- requires_grad et le graphe de calcul
- Appelez backward() pour obtenir les gradients
- Lire et remettre .grad à zéro
- torch.no_grad() pour l’inférence