Python 使用PyTorch根据我从张量计算的数字调整张量矩阵值？

我已经初始化了两个张量（矩阵）：

sm=Var(torch.randn(20,1),requires_grad=True)
sm = torch.mm(sm,sm.t()) 
freq_m=Var(torch.randn(12,20),requires_grad=True)

我从这两个矩阵中的数据创建了两个列表，并使用spearmanr获得这两个列表之间的相关值。如何创建列表并不重要，但目标是调整矩阵中的值，以便计算出的相关性值尽可能接近1

如果我手动解决这个问题，我会每次将矩阵中的值调整0.01（或一些小数字），然后重新计算列表和相关分数。如果新的相关性值高于前一个，我会保存这两个矩阵并调整不同的值，直到得到可能给我最高相关性分数的两个矩阵

---

PyTorch是否能够自动执行此操作？我知道Pytork可以根据一个方程进行调整，但我想调整矩阵值的方法不是针对一个方程，而是针对我计算的相关值。非常感谢您的指导

Pytorch有一个autograd包，这意味着如果你有变量，你通过可微函数传递它们，得到一个标量结果，你可以执行梯度下降来更新变量，以降低或增加标量结果

所以你需要做的是定义一个函数f，它在张量水平上工作，这样f（sm，freq_m）会给你想要的相关性

然后，您应该做如下操作：

lr = 1e-3
for i in range(100):
  # 100 updates
  loss = 1 - f(sm, freq_m)
  print(loss)
  loss.backward()
  with torch.no_grad():
    sm -= lr * sm.grad
    freq_m -= lr * freq_m.grad
    # Manually zero the gradients after updating weights
    sm.grad.zero_()
    freq_m.grad.zero_()

学习速度基本上是你所做的步骤的大小，学习速度太高会导致损失爆炸，学习速度太小会导致收敛缓慢，我建议你进行实验

编辑：回答关于损失的评论。向后：对于任何可微函数f，f是多个张量的函数

t1，…，tn

和

要求_grad=True

，因此，您可以计算损失相对于每个张量的梯度。当您执行

loss.backward

时，它会计算这些梯度并将其存储在t1.grad，…，tn.grad中。然后使用梯度下降法更新

t1，…，tn

，以降低f的值。此更新不需要计算图，所以这就是为什么您将

与torch.no_grad（）

一起使用的原因。

---

在循环结束时，将渐变归零，因为

.backward

不会覆盖渐变，而是将新渐变添加到渐变中。更多信息请点击此处：

非常感谢您！你不知道这对我有多大帮助！不客气：）如果答案对你有帮助，别忘了投赞成票。