fluid.backward

SourceEnglish

append_backward

SourceEnglish

  • paddle.fluid.backward.appendbackward(_loss, parameter_list=None, no_grad_set=None, callbacks=None)
  • 将向 main_program 追加 backward 。

完整的神经网络训练由前向和反向传播组成。但是当我们配置网络时，我们只需要指定其前向部分。通过该功能，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功能。它将由优化程序的最小化函数自动调用。

  • 参数：
    • loss （Variable）- 网络的损失变量。
    • parameter_list （list [string] | None）- 优化器需要更新的参数名称。如果为None，则将更新所有参数。默认值：None。
    • no_grad_set （set | None）- block 0中变量的梯度应该被忽略。所有 block 中带有 step_gradient = True 的所有变量都将自动添加到此集合中。默认值：None。
    • callbacks （list [callable object] | None）- 回调用于在反向传播构建中执行一些自定义作业。每次将新的梯度运算符添加到程序中时，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，其键是梯度变量名，值是对应的原始变量。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运算符的 op_desc 。返回： 成对参数及其相应的梯度。键是参数，值是梯度变量。

返回类型： list[(Variable,Variable)]

  • 抛出：
    • AssertionError - 如果loss不是Variable的实例。示例代码
  1. # 网络配置
  2. # ...
  3. avg_loss = fluid.layers.mean(loss)
  4. param_grad_list = fluid.backward.append_backward(loss=avg_loss)