使用torch.autograd.grad(PyTorch)计算矩阵导数
我正在尝试使用torch.autograd.grad在PyTorch中计算矩阵导数,但遇到的问题很少。下面是一个重现错误的最小工作示例使用torch.autograd.grad(PyTorch)计算矩阵导数,pytorch,autograd,Pytorch,Autograd,我正在尝试使用torch.autograd.grad在PyTorch中计算矩阵导数,但遇到的问题很少。下面是一个重现错误的最小工作示例 theta = torch.tensor(np.random.uniform(low=-np.pi, high=np.pi), requires_grad=True) rot_mat = torch.tensor([[torch.cos(theta), torch.sin(theta), 0], [-torch.
theta = torch.tensor(np.random.uniform(low=-np.pi, high=np.pi), requires_grad=True)
rot_mat = torch.tensor([[torch.cos(theta), torch.sin(theta), 0],
[-torch.sin(theta), torch.cos(theta), 0]],
dtype=torch.float, requires_grad=True)
torch.autograd.grad(outputs=rot_mat,
inputs=theta, grad_outputs=torch.ones_like(rot_mat),
create_graph=True, retain_graph=True)
此代码导致错误“一个微分张量似乎未在图形中使用。如果这是所需的行为,请设置allow_unused=True。”
我尝试使用allow_unused=True,但是渐变返回为None。我不确定是什么原因导致图形在此断开连接。Pytork autograd graph仅在使用Pytork函数时才会创建。
我认为在创建rot\u mat
时使用的python 2d列表会断开图形的连接。因此,使用torch函数创建旋转矩阵,还可以使用backward()
函数来计算梯度。下面是示例代码:
import torch
import numpy as np
theta = torch.tensor(np.random.uniform(low=-np.pi, high=np.pi), requires_grad=True)
# create required values and convert it to torch 1d tensor
cos_t = torch.cos(theta).view(1)
sin_t = torch.sin(theta).view(1)
msin_t = -sin_t
zero = torch.zeros(1)
# create rotation matrix using only pytorch functions
rot_1d = torch.cat((cos_t, sin_t, zero, msin_t, cos_t, zero))
rot_mat = rot_1d.view((2, 3))
# Autograd
rot_mat.backward(torch.ones_like(rot_mat))
# gradient
print(theta.grad)