Gradyanları Almak için backward() Çağrısı
.grad değerini tek satırla doldurun.
Gradyanları Almak için backward() Çağrısı, CoddyKit'te ücretsiz bir Deep Learning Academy dersidir. Bu, 4 dersinin 2. dersidir. Aşağıdan dersin tamamını ücretsiz okuyabilir, sonra tarayıcıda yerleşik kod editörü ve 7/24 yapay zeka koçu ile uygulamalı olarak pratik yapabilirsin. Bu, Deep Learning Academy öğrenme yolunun bir parçasıdır ve ilerlemeniz web ve CoddyKit uygulaması arasında senkronize olur. Deep Learning Academy kursu toplamda 4 dersten oluşur.
Türev Almak İçin Tek Satır
Grafiğiniz oluşturulduktan sonra tek bir çağrı tüm kalkülüsü gerçekleştirir. Çıktınız üzerinde backward() çalıştırdığınızda gradyanlar her girdiye doğru geriye akar.
Bir Skalerden Başlayın
Genellikle loss olan ve en aza indirmek istediğiniz son sayı üzerinde backward çağrısı yaparsınız. Autograd'ın nereden başlayacağını bilmesi için bu değer tek bir skaler olmalıdır.
y = x ** 2
y.backward()Gradyanlar .grad İçine Yazılır
backward çalıştıktan sonra her yaprak tensörün .grad değeri, çıktının o tensöre göre türevini içerir. Matematiksel işlem tamamlanmıştır.
print(x.grad)Elle Hızlı Bir Kontrol
y, x'in karesine eşitse kalkülüse göre türev 2x'tir. x değeri 2 olduğunda sonuç 4 olur ve PyTorch x.grad içine tam olarak 4.0 yazar.
Backward Grafikte İlerler
backward(), zincir kuralını her düğümde uygulayarak grafikte çıktıdan girdilere doğru ilerler. Siz yalnızca forward matematiğini yazdınız ve bunların tamamını hazır olarak elde ettiniz.
Birçok Girdi İçin Gradyanlar
Çıktınız birden fazla izlenen tensöre bağlıysa tek bir backward çağrısı bunların her birinin .grad değerini aynı anda doldurur. Tüm modeller bu şekilde güncellenir.
loss = (a * b + c).sum()
loss.backward()Grafik Tüketilir
Varsayılan olarak bellek tasarrufu sağlamak için grafik backward sonrasında serbest bırakılır; bu nedenle backward'ı iki kez çağırmak hataya yol açar. Bir sonraki forward geçişinde yeni bir grafik oluşturursunuz.
Gerekirse Grafiği Koruyun
Aynı grafik üzerinde backward'ı yeniden çağırmanız mı gerekiyor? retain_graph değerini true olarak geçirin. Buna nadiren ihtiyaç duyarsınız; bu nedenle yalnızca bir hata sizden istediğinde kullanın.
loss.backward(retain_graph=True)Skaler Olmayan Çıktılar
Çıktınız bir vektörse backward, her öğeye nasıl ağırlık verileceğini belirten bir gradyan bağımsız değişkenine ihtiyaç duyar. Çoğu zaman bunun yerine toplamı bir skalere indirgersiniz.
Bu, Geriye Yayılım Geçişidir
Bu tek backward çağrısı, eğitimin ünlü geriye yayılım geçişidir. Forward tahminleri hesaplar, backward ise ağırlıkların nasıl düzeltilmesi gerektiğini hesaplar.
Gradyanlardan Öğrenmeye
.grad içindeki sayılar her ağırlığa hangi yönde hareket etmesi gerektiğini söyler. Bir iyileştirici bunları okuyarak ağırlıkları kaybı biraz azaltacak şekilde küçük adımlarla günceller.
Hızlı Kontrol
Özet
Skaler bir loss üzerinde backward() çağrısı yapın; autograd zincir kuralını grafik boyunca uygular ve her tensörün .grad değerini türeviyle doldurur. İşte geriye yayılım geçişi budur. 🔁
Yapay zeka eğitmeniyle Python öğren — ücretsiz
Tarayıcında gerçek kod yaz ve çalıştır, 7/24 yapay zeka eğitmeninden anında yardım al; web'de ya da uygulamada kaldığın yerden devam et.
- Kurslar
- 30
- Dersler
- 120
Sıkça Sorulan Sorular
“Gradyanları Almak için backward() Çağrısı” dersi ücretsiz mi?
Evet — “Gradyanları Almak için backward() Çağrısı” dersin tüm metni burada web'de ücretsiz olarak okunabilir. Etkileşimli olarak pratik yapmak (yerleşik kod editörü ve 7/24 yapay zeka koçu) ve Deep Learning Academy kursunun geri kalanını açmak için CoddyKit PRO'ya yükselt. Deep Learning Academy kursu toplamda 4 dersten oluşur.
“Gradyanları Almak için backward() Çağrısı” dersinde ne öğreneceğim?
.grad değerini tek satırla doldurun. Deep Learning Academy ile uygulamalı kodu tarayıcıda doğrudan çalıştırarak pratik yaparsın ve 7/24 yapay zeka koçu dersi çalışırken sorularını yanıtlar.
Deep Learning Academy öğrenmeye başlamak için deneyim gerekli mi?
Önceden deneyim gerekmez. CoddyKit'te Deep Learning Academy, başlangıçtan ileri seviyeye kadar yapılandırıldığı için buradan başlayabilir veya başından başlayıp kendi hızında ilerleme yapabilirsin. Bu, 4 dersinin 2. dersidir.
“Gradyanları Almak için backward() Çağrısı” dersi ne kadar sürer?
Çoğu CoddyKit dersi yaklaşık 5–10 dakika sürer. Her biri kısa ve etkileşimli olduğu için sabit ilerleme yaparsın ve web ile uygulama arasında tam olarak bıraktığın yerden devam edebilirsin.
Bu Deep Learning Academy dersinde kod yazıp çalıştırabilir miyim?
Evet. Her Deep Learning Academy dersi yerleşik bir kod editörü içerir, bu sayede tarayıcıda gerçek kod yazıp çalıştırabilir ve anlık yapay zeka geri bildirimi alırsın — yerel kurulum gerekli değildir.
Bu kursun tüm dersleri
- requires_grad ve Hesaplama Grafiği
- Gradyanları Almak için backward() Çağrısı
- .grad Okuma ve Sıfırlama
- Çıkarım için torch.no_grad()