Deep learning 了解何时在Pytorch中使用python列表_Deep Learning_Pytorch_Backpropagation

Deep learning 了解何时在Pytorch中使用python列表

deep-learning pytorch

Deep learning 了解何时在Pytorch中使用python列表,deep-learning,pytorch,backpropagation,Deep Learning,Pytorch,Backpropagation,基本上正如本线程所讨论的，您不能使用pythonlist来包装您的子模块（例如您的层）；否则，Pytorch不会更新列表中子模块的参数。相反，您应该使用nn.ModuleList来包装子模块，以确保它们的参数将被更新。现在我也看到了下面这样的代码，作者使用python列表计算损失，然后执行loss.backward（）进行更新（在RL的增强算法中）。代码如下： policy_loss = [] for log_prob in self.controller.log_probabilit

基本上正如本线程所讨论的，您不能使用pythonlist来包装您的子模块（例如您的层）；否则，Pytorch不会更新列表中子模块的参数。相反，您应该使用

nn.ModuleList

来包装子模块，以确保它们的参数将被更新。现在我也看到了下面这样的代码，作者使用python列表计算损失，然后执行

loss.backward（）

进行更新（在RL的增强算法中）。代码如下：

 policy_loss = []
    for log_prob in self.controller.log_probability_slected_action_list:
        policy_loss.append(- log_prob * (average_reward - b))
    self.optimizer.zero_grad()
    final_policy_loss = (torch.cat(policy_loss).sum()) * gamma
    final_policy_loss.backward()
    self.optimizer.step()

为什么以这种格式使用列表可以更新模块的参数，但第一种情况不起作用？我现在很困惑。如果我更改了前面的代码

policy\u loss=nn.ModuleList（[]）

，它会抛出一个异常，表明张量浮点不是子模块

您误解了

模块是什么。模块
存储参数并定义正向传递的实现
您可以使用张量和参数执行任意计算，从而生成其他新的张量<代码>模块

不需要知道这些张量。您还可以在Python列表中存储张量列表。向后调用

时

需要位于标量张量上，因此是连接的总和。这些张量是损失而不是参数，因此它们不应该是

模块的属性，也不应该被包装在模块列表中您误解了模块的含义。模块
存储参数并定义正向传递的实现
您可以使用张量和参数执行任意计算，从而生成其他新的张量<代码>模块
不需要知道这些张量。您还可以在Python列表中存储张量列表。向后调用时
需要位于标量张量上，因此是连接的总和。这些张量是损失而不是参数，因此它们不应该是模块的属性，也不应该被包装在模块列表中