Python 我如何在PyTorch中使用梯度下降来改变输入？

我是皮托克的新手。我了解到它使用

autograd

自动计算梯度下降函数的梯度

我不想调整权重，而是想使用梯度下降法对输入进行变异，以获得所需的输出。所以，我不想改变神经元的权值，我想保持所有的权值不变，只需改变输入以最小化损失

比如说。该网络是一个经过训练的数字为0-9的图像分类器。我输入随机噪声，我想对它进行变形，使网络认为它是具有60%置信度的

3

。我想利用梯度下降来调整输入值（最初为噪声），直到网络认为输入为

3

，置信度为60%

---

有办法做到这一点吗？

我想你知道如何通过梯度下降进行常规训练。您只需要更改要由优化器优化的参数。差不多

#。。。设置网络，加载输入
# ...
#设置正确需要_grad->我们训练输入，而不是参数
input.requires\u grad=True
对于网络中的p。参数（）
p、 需要_grad=False
#设置优化器
#以前我们应该有一些优化器（net.parameters（））
optim=SomeOptimizer（[input]）
输出您想要的结果=。。。
实际输出=净（输入）
some\u loss=SomeLossFunction（您想要的输出，实际输出）
# ...
#像往常一样使用Back prop和optim.step（）

我想你知道如何利用梯度下降进行常规训练。您只需要更改要由优化器优化的参数。差不多

#。。。设置网络，加载输入
# ...
#设置正确需要_grad->我们训练输入，而不是参数
input.requires\u grad=True
对于网络中的p。参数（）
p、 需要_grad=False
#设置优化器
#以前我们应该有一些优化器（net.parameters（））
optim=SomeOptimizer（[input]）
输出您想要的结果=。。。
实际输出=净（输入）
some\u loss=SomeLossFunction（您想要的输出，实际输出）
# ...
#像往常一样使用Back prop和optim.step（）

只有一个网络不可能做到这一点。你需要像GAN（生成性对抗网络）这样的东西，它是两个网络的组合，来实现这一点。是的，你可以。看看这个，仅仅一个网络是不可能做到的。你需要像GAN（生成性对抗网络）这样的东西，它是两个网络的组合，来实现这一点。是的，你可以。看看这个。