append_backward

paddle.static. append_backward ( loss, parameter_list=None, no_grad_set=None, callbacks=None ) [源代码]

该接口将向主程序（main_program）添加反向部分 。

完整的神经网络训练由前向和反向传播两部分组成。但是当我们配置网络时，我们只需要指定其前向部分。 该接口使用链式法则，能够根据前向部分自动生成反向部分。

在大多数情况下，用户无需手动调用此接口，它将由优化器（Optimizer）的 minimize 函数自动调用。

参数：

  • loss (Tensor) - 表示网络损失的 Tensor 。

  • parameter_list （list [Tensor|str]，可选）- 指定优化器需要更新的参数或参数名称列表。如果为 None ，则将更新所有参数。默认值为 None。

  • no_grad_set （set [Tensor|str]，可选）- 在 block0 ( Block ) 中要忽略梯度的 Tensor 的名字的集合。所有的 Block 中带有 stop_gradient = True 的所有 Tensor 的名字都会被自动添加到此集合中。如果该参数不为 None，则会将该参数集合的内容添加到默认的集合中。默认值为 None。

  • callbacks （list [callable object]，可选）- 回调函数列表。用于在反向传播构建中执行一些自定义作业。每次将新的梯度 OP 添加到程序中时，将调用其中的所有可调用对象。可调用对象必须有两个输入参数： Block 和 context 。 Block 是将被添加到新梯度算子的块。 context 是一个映射，其键是梯度 Tensor 名，值是对应的原始 Tensor 。除此之外， context 还有另一个特殊的键值对：键是字符串 __ current_op_desc__ ，值是刚刚触发可调用对象的梯度 OP 的 op_desc 。默认值为 None。

返回： 参数及其梯度 Tensor 的元组的列表。元组的第一个值为参数，第二个值为该参数的梯度 Tensor 。

返回类型： list[(Tensor , Tensor)]

抛出：

  • AssertionError - 如果 loss 不是 Tensor 的实例。

示例代码

  1. import paddle
  2. import paddle.nn.functional as F
  4. paddle.enable_static()
  6. x = paddle.static.data(name='x', shape=[None, 13], dtype='int64')
  7. y = paddle.static.data(name='y', shape=[None, 1], dtype='float32')
  8. x_emb = paddle.static.nn.embedding(x, size=[100, 256])
  9. y_predict = paddle.static.nn.fc(x=x_emb, size=1, activation=None, name='my_fc')
  10. loss = F.square_error_cost(input=y_predict, label=y)
  11. avg_loss = paddle.mean(loss)
  13. # Get all weights in main_program, not include bias.
  14. all_weights = [param for param in paddle.static.default_main_program().block(0).all_parameters() if 'w_' in param.name]
  15. all_weights_name = [w.name for w in all_weights]
  17. # return all param_grads needed to be updated if parameter_list set default None.
  18. p_g_list1 = paddle.static.append_backward(loss=avg_loss)
  19. # output: [(embedding_0.w_0, embedding_0.w_0@GRAD), (my_fc.w_0, my_fc.w_0@GRAD), (my_fc.b_0, my_fc.b_0@GRAD)]
  21. # return the param_grads corresponding to parameter_list that can be list of param (Tensor).
  22. p_g_list2 = paddle.static.append_backward(loss=avg_loss, parameter_list=all_weights)
  23. # output: [(embedding_0.w_0, embedding_0.w_0@GRAD), (my_fc.w_0, my_fc.w_0@GRAD)]
  25. # parameter_list can be list of param.name (str).
  26. p_g_list3 = paddle.static.append_backward(loss=avg_loss, parameter_list=all_weights_name)
  27. # output: [(embedding_0.w_0, embedding_0.w_0@GRAD), (my_fc.w_0, my_fc.w_0@GRAD)]
  29. # no_grad_set can be set of Tensors that means grad will be cut off from these Tensors.
  30. p_g_list4 = paddle.static.append_backward(loss=avg_loss, no_grad_set=set([x_emb]))
  31. # output: [(my_fc.w_0, my_fc.w_0@GRAD), (my_fc.b_0, my_fc.b_0@GRAD)]
  33. # no_grad_set can be set of Tensor.name when the Tensors is created inside layers and can't be specified explicitly.
  34. p_g_list5 = paddle.static.append_backward(loss=avg_loss, no_grad_set=set(['my_fc.b_0']))
  35. # output: [(embedding_0.w_0, embedding_0.w_0@GRAD), (my_fc.w_0, my_fc.w_0@GRAD)]
  37. # return [] because all param_grads are filtered by no_grad_set.
  38. p_g_list6 = paddle.static.append_backward(loss=avg_loss, parameter_list=all_weights, no_grad_set=set(all_weights))