requires_grad e il grafo computazionale
Tracci le operazioni per poterle differenziare
requires_grad e il grafo computazionale è una lezione Deep Learning Academy gratuita su CoddyKit. Questa è la lezione 1 di 4. Puoi leggere la lezione completa qui gratuitamente — poi esercitati direttamente nel browser con un editor di codice integrato e un tutor IA disponibile 24/7. Fa parte del percorso di apprendimento Deep Learning Academy, e i tuoi progressi si sincronizzano tra il web e l'app CoddyKit. Il corso Deep Learning Academy include 4 lezioni in totale.
Il calcolo differenziale, già pronto per voi
L’addestramento richiede le derivate, ma non dovete calcolarle a mano. autograd di PyTorch analizza i vostri calcoli e determina ogni gradiente al posto vostro. 🤖
I tensori possono monitorarsi da soli
Un tensore calcola i gradienti solo quando lo richiede. Imposti requires_grad su true e PyTorch inizia a registrare ogni operazione eseguita su di esso.
x = torch.tensor(2.0, requires_grad=True)Cosa viene registrato
Ogni passaggio matematico eseguito su un tensore tracciato viene registrato come un nodo. Insieme, questi nodi formano un grafo computazionale che descrive come è stato costruito il risultato.
Il grafo è una ricetta
Immagini il grafo come una ricetta: gli input in alto, le operazioni al centro e la loss finale in fondo. Autograd lo legge a ritroso per trovare i gradienti.
Costruito al volo
PyTorch usa un grafo dinamico: viene creato mentre esegue il codice, non in anticipo. I normali cicli e costrutti if di Python funzionano semplicemente al suo interno.
I risultati restano collegati
Qualsiasi tensore creato a partire da uno tracciato viene tracciato a sua volta. Qui y ricorda di derivare da x, quindi il suo grad_fn rimanda al passaggio di elevamento al quadrato.
y = x ** 2
print(y.grad_fn)Nodi foglia e nodi calcolati
I tensori creati direttamente sono nodi foglia. I tensori prodotti dalle operazioni sono nodi interni che si collegano a ritroso alle foglie.
grad_fn indica il passaggio
Ogni tensore calcolato contiene un grad_fn che indica ad autograd quale operazione lo ha creato, ad esempio PowBackward o AddBackward. Le foglie non hanno grad_fn.
Niente tracciamento, niente grafo
Se un tensore ha requires_grad impostato su false, autograd lo ignora e non costruisce alcun grafo. In questo modo si risparmia memoria quando non servono i gradienti.
Perché il grafo è importante
Il grafo rende possibile il passaggio backward. Senza questa cronologia registrata, PyTorch non avrebbe modo di sapere in che modo la loss dipende da ciascun peso.
Si scrive solo il forward
Il bello è che deve programmare solo la matematica del forward. Autograd assembla silenziosamente il grafo, così i gradienti sono pronti non appena li richiede.
Verifica rapida
Riepilogo
Imposti requires_grad e PyTorch registra la matematica in un grafo computazionale. È questa cronologia registrata che autograd legge poi a ritroso per trovare ogni gradiente. ✨
Impara Python con un tutor IA — gratis
Scrivi ed esegui vero codice nel tuo browser, ricevi aiuto istantaneo da un tutor IA disponibile 24/7, e riprendi da dove hai lasciato sul web o nell'app.
- Corsi
- 30
- Lezioni
- 120
Domande Frequenti
La lezione «requires_grad e il grafo computazionale» è gratuita?
Sì — il testo completo di «requires_grad e il grafo computazionale» è gratuito qui sul web. Per esercitarvi in modo interattivo (un editor di codice integrato e un tutor IA 24/7) e sbloccare il resto del corso Deep Learning Academy, passa a CoddyKit PRO. Il corso Deep Learning Academy include 4 lezioni in totale.
Cosa imparerò in «requires_grad e il grafo computazionale»?
Tracci le operazioni per poterle differenziare Eserciti Deep Learning Academy con codice pratico che esegui direttamente nel browser, e un tutor IA 24/7 risponde alle tue domande mentre lavori sulla lezione.
Ho bisogno di esperienza per iniziare Deep Learning Academy?
Non è richiesta alcuna esperienza precedente. Deep Learning Academy su CoddyKit è strutturato per principianti e studenti avanzati, quindi puoi iniziare da qui o dall'inizio e procedere al tuo ritmo. Questa è la lezione 1 di 4.
Quanto tempo richiede la lezione «requires_grad e il grafo computazionale»?
La maggior parte delle lezioni CoddyKit richiede circa 5–10 minuti. Ogni lezione è breve e interattiva, quindi fai progressi costanti e riprendi esattamente da dove hai lasciato su web e app.
Posso scrivere ed eseguire codice in questa lezione Deep Learning Academy?
Sì. Ogni lezione Deep Learning Academy include un editor di codice integrato, quindi scrivi ed esegui codice reale direttamente nel tuo browser e ricevi feedback istantaneo dall'IA — nessuna configurazione locale necessaria.
Tutte le lezioni di questo corso
- requires_grad e il grafo computazionale
- Chiami backward() per ottenere i gradienti
- Leggere e azzerare .grad
- torch.no_grad() per l'inferenza