append_backward

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

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

list[(Tensor , Tensor)]，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 。

代码示例

>>> import paddle
>>> import paddle.nn.functional as F

>>> paddle.enable_static()

>>> x = paddle.static.data(name='x', shape=[None, 13], dtype='int64')
>>> y = paddle.static.data(name='y', shape=[None, 1], dtype='float32')
>>> x_emb = paddle.static.nn.embedding(x, size=[100, 256])
>>> y_predict = paddle.static.nn.fc(x=x_emb, size=1, activation=None, name='my_fc')
>>> loss = F.square_error_cost(input=y_predict, label=y)
>>> avg_loss = paddle.mean(loss)

>>> # Get all weights in main_program, not include bias.
>>> all_weights = [param for param in paddle.static.default_main_program().block(0).all_parameters() if 'w_' in param.name]
>>> all_weights_name = [w.name for w in all_weights]

>>> # return all param_grads needed to be updated if parameter_list set default None.
>>> p_g_list1 = paddle.static.append_backward(loss=avg_loss)
>>> # 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)]

>>> # return the param_grads corresponding to parameter_list that can be list of param (Tensor).
>>> p_g_list2 = paddle.static.append_backward(loss=avg_loss, parameter_list=all_weights)
>>> # output: [(embedding_0.w_0, embedding_0.w_0@GRAD), (my_fc.w_0, my_fc.w_0@GRAD)]

>>> # parameter_list can be list of param.name (str).
>>> p_g_list3 = paddle.static.append_backward(loss=avg_loss, parameter_list=all_weights_name)
>>> # output: [(embedding_0.w_0, embedding_0.w_0@GRAD), (my_fc.w_0, my_fc.w_0@GRAD)]

>>> # no_grad_set can be set of Tensors that means grad will be cut off from these Tensors.
>>> p_g_list4 = paddle.static.append_backward(loss=avg_loss, no_grad_set=set([x_emb]))
>>> # output: [(my_fc.w_0, my_fc.w_0@GRAD), (my_fc.b_0, my_fc.b_0@GRAD)]

>>> # no_grad_set can be set of Tensor.name when the Tensor is created inside layers and can't be specified explicitly.
>>> p_g_list5 = paddle.static.append_backward(loss=avg_loss, no_grad_set=set(['my_fc.b_0']))
>>> # output: [(embedding_0.w_0, embedding_0.w_0@GRAD), (my_fc.w_0, my_fc.w_0@GRAD)]

>>> # return [] because all param_grads are filtered by no_grad_set.
>>> p_g_list6 = paddle.static.append_backward(loss=avg_loss, parameter_list=all_weights, no_grad_set=set(all_weights))