Python 如何使用PyTorch计算偏导数？

我想用PyTorch得到输出和输入之间的偏导数。假设我有一个函数Y=5*x1^4+3*x2^3+7*x1^2+9*x2-5，我训练一个网络来替换这个函数，然后我使用autograd来计算

dYdx1，dYdx2

：

net = torch.load('net_723.pkl')
x = torch.tensor([[1,-1]],requires_grad=True).type(torch.FloatTensor)
y = net(x)
grad_c = torch.autograd.grad(y,x,create_graph=True,retain_graph=True)[0] 

然后我得到一个错误的导数，如下所示：

>>>tensor([[ 7.5583, -5.3173]])

但当我使用函数计算时，我得到了正确的答案：

Y = 5*x[0,0]**4 + 3*x[0,1]**3 + 7*x[0,0]**2 + 9*x[0,1] - 5
grad_c = torch.autograd.grad(Y,x,create_graph=True,retain_graph=True)[0]
>>>tensor([[ 34.,  18.]])

为什么会发生这种情况？

神经网络是一种神经网络。这意味着，对于足够的计算资源、训练时间、节点等，您可以近似任何函数。
如果没有关于您在第一个示例中如何训练人际网络的进一步信息，我会怀疑您的人际网络根本不适合基本功能，这意味着您的人际网络的内部表示实际上模拟了不同的功能

---

对于第二个代码段，自动微分确实给出了精确的偏导数。它是通过不同的方法实现的，请参见，关于AutoDiff/Autograd的主题。

thx对于您的回答，我训练的网络有四层，每层200个节点，训练数据是-1和1之间的随机数，我使用数学函数计算目标。MSE损耗约为3E-4。我认为这个适合是正确的，但我通过autograd得到了错误的答案。你将传递多少样本到培训中？此外，您还可以尝试根据基本事实绘制网络生成的函数（

np.linspace

是您的朋友，然后在此基础上评估您的网络）。由于每层的节点数量如此之多，我怀疑您将完全过度拟合给定的数据点，并且有一个超出该范围的高偏差（由于高度复杂）。一个直观的例子是关于谢谢你的回复，你的观点和我的老师很相似。我使用np.linspace生成5000个数据点，它可能太小了。如果网络匹配足够好，你认为我计算输出和输入之间导数的方法会得到正确答案吗？好吧，这取决于你的最终目标（我个人总是使用显式表示，如果它可用，比如你的情况）。我更倾向于建议缩小网络的规模（每层只有32个节点，或者可能更少。在我看来，这足以描述这样一个“足够好”的功能，而且你可以为自己节省一些培训时间。如果你还没有这样做，也要确保在培训期间洗牌你的数据。