这篇文章主要介绍了pytorch对梯度进行可视化进行梯度检查的示例分析，具有一定借鉴价值，感兴趣的朋友可以参考下，希望大家阅读完这篇文章之后大有收获，下面让小编带着大家一起了解一下。
目的： 在训练神经网络的时候，有时候需要自己写操作，比如faster_rcnn中的roi_pooling，我们可以可视化前向传播的图像和反向传播的梯度图像，前向传播可以检查流程和计算的正确性，而反向传播则可以大概检查流程的正确性。
实验
可视化rroi_align的梯度
1.pytorch 0.4.1及之前，需要声明需要参数，这里将图片数据声明为variable
im_data = Variable(im_data, requires_grad=True)
2.进行前向传播，最后的loss映射为一个一维的张量
pooled_feat = roipool(im_data, rois.view(-1, 6)) res = pooled_feat.pow(2).sum() res.backward()
3.注意求loss的时候采用更加复杂，或者更多的运算（这样在梯度可视化的时候效果才更加明显）
可视化效果
原始图片
梯度可视化图片
原图+梯度图
小结：
可以看到误差梯度的位置是正确的，误差是否正确，需要其他方式验证（暂时没有思路）
可以看到上面在求loss的时候为：loss = sum(x2)，但是如果换成：loss = mean(x)，效果就没有上面明显。
实验二的效果
loss = mean(x)
可以看到根本无法看到误差梯度的位置信息
实验三：loss = sum(x)
小结： 可以看到位置信息有差别，比如国徽部分，这会让人以为，国徽部分只利用了左部分的信息，或者自己手写的操作误差索引不对。
可以通过两种方式进行验证
1.用更多，更复杂的运算求loss，比如pow，等
2.用matplotlib显示图片后，用鼠标可以指示每个点的具体的值，可以检测有误差梯度区域是否和无误差梯度区域有差别。
感谢你能够认真阅读完这篇文章，希望小编分享的“pytorch对梯度进行可视化进行梯度检查的示例分析”这篇文章对大家有帮助，同时也希望大家多多支持亿速云，关注亿速云行业资讯频道，更多相关知识等着你来学习!
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
