Pytorch 如何将丢失期间发生的情况可视化。backward（）？

我对我的模型向前传球的理解很有信心，我如何控制它的向后传球

这不是一个关于什么是反向传播的理论问题。问题是一个实际的问题，关于是否有适合可视化/跟踪/控制反向传播过程中发生的事情的工具

理想情况下，该工具将允许可视化模型计算图（模型操作图）、输入和可训练参数的结构

现在，我要：

loss.backward()

---

我想把这一步中发生的事情形象化。

已经有人提到了

pytorchviz

，它可以让你形象化图形

下面是一个小示例，可以帮助您理解

pytorchviz

如何使用

grad\u fn

跟踪图形：

导入火炬
从火炬进口
d=5
x=火炬。兰德（d，需要_grad=真）
打印（'x张量：'，x）
y=火炬。1（d，需要_grad=真）
打印（'y张量：'，y）
损失=火炬总数（x*y）*3
德尔克斯
打印（）
print（'回溯张量：'）
def返回（变量梯度fn）：
打印（变量梯度fn）
对于var_grad_fn.next_函数中的n：
如果n[0]：
尝试：
张量=getattr（n[0]，“变量”）
打印（n[0]）
打印（'找到梯度的张量：'，张量）
打印（'-gradient:'，张量梯度）
打印（）
除属性错误为e外：
返回（n[0]）
loss.backward（）
返回（损失梯度fn）

输出：

张量x:Tensor（[0.0042,0.5376,0.7436,0.2737,0.4848]，需要_grad=True）
张量y：张量（[1,1,1,1,1.]，需要_grad=True）
追溯张量：

希望这有点帮助
 不幸的是，这个问题仍然是离题的，因为您要求推荐一个工具或软件。我认为你最好在另一个网站上寻找一些工具。好的，这里也应该有一些问题可以解决这个问题。那么我应该删除它吗？我不知道是否只有Pytork才能回答我的问题。如果有人用那种方式回答这个问题，对我来说似乎并不离题。此外，在这个问题上“在那里”找到答案其实并不容易。这个问题不属于这里，但我仍将努力解决它。-您可以使用torchviz进行可视化—如果您想看到一些学术论文，可以了解反向传播—如果您想要更多类似示例的代码，可以查看autograd（）。pytorch的签名就是基于此此处实现了autograd的教程版本（）。