Don'；t在PyTorch中包含梯度计算操作

我有一个自定义图层。将该层称为“高斯”

class Gaussian(nn.Module):
  def __init__():  
    super(Gaussian, self).__init__()
 
 #@torch.no_grad     
  def forward(self, x):
    _r = np.random.randint(0, x.shape[0], x.shape[0]) 
    _sample = x[_r] 
    _d = (_sample - x)
    _number = int(self.k * x.shape[0])
    x[1: _number] = x[1: _number] + (self.n * _d[1: _number]).detach()

    return x

上述类别将按如下方式使用：

cnn_model = nn.Sequential(nn.Conv2d(1, 32, 5), Gaussian(), nn.ReLU(), nn.Conv2d(32, 32, 5))

如果输入是

x

，我希望

x

的梯度排除高斯模块中存在的操作，但包括神经网络其他层（nn.Conv2d等）中的计算

最后，我的目标是使用高斯模块来执行计算，但梯度计算中不应包括该计算

我试着做到以下几点：

使用@torch.no_grad高于高斯函数的正向方法

在高斯模块中的每次操作后使用“分离”：

x[1:\u number]=x[1:\u number]+（self.n*\u d[1:\u number]）.detach（）

以及类似的其他操作

在forward方法中使用y=x.detach（）。对y执行操作，然后对x.data=y执行操作

上述方法正确吗

---

附言：问题编辑

当有参数需要优化时，梯度计算有意义

---

如果您的模块没有任何参数，则不会存储渐变，因为没有可关联的参数。

您不能。如果其他操作修改x。你会破坏计算。所以我想，在这种情况下，我不能使用nn.Sequential，而是应该使用其他方法来定义我的网络，对吗？你想实现什么？如果其他操作不修改x，则可以使用ex.y=x.detach（）.item（）并在y上执行操作。否则，它将违反autograd的逻辑，其他方法也不会帮助您。我想要实现的是，在x上执行操作（属于模块“高斯”的一部分），该操作不应影响为x存储的梯度[存储的梯度是从高斯模块中不存在的其他操作中获得的]。因此，如果我在y上执行操作（其中y在高斯模块内初始化为y=x.detach（）），然后我将其值传递回来，例如x.data=y，这不会因为对y的操作而在x上添加任何梯度，对吧？我的神经网络有参数，所以我需要存储梯度。但是是的，在模块中，我没有定义任何nn.parameters，但这是否确保了梯度不会在模块中计算？考虑到模块是一组具有梯度的参数，梯度会在每个模块中计算和存储。由于并没有定义的参数（例如使用

nn.parameters

），所以不会为您的模块计算梯度。非常感谢。如果可能的话，请提供pytorch文档中的任何参考资料，以便我了解更多。检查pytorch中的梯度力学。关于这一点，这里有一整节。此外，检查如何训练DNN模型的理论。关于梯度的事情并不是Pytork所特有的，它只是根据理论和反向传播算法应该做的事情。