獲取無梯度Tensor

遇到的問題：

使用兩個網(wǎng)絡(luò)并行運算，一個網(wǎng)絡(luò)的輸出值要給另一個網(wǎng)絡(luò)反饋。而反饋的輸出值帶有網(wǎng)絡(luò)權(quán)重的梯度，即grad_fn=XXXBackward0>.

這時候如果把反饋值扔到第二網(wǎng)絡(luò)中更新，會出現(xiàn)第一個計算圖丟失無法更新的錯誤。哎喲喂，我根本不需要第一個網(wǎng)絡(luò)的梯度好嗎？

一開始用了一個笨辦法，先轉(zhuǎn)numpy，然后再轉(zhuǎn)回torch.Tensor。因為numpy數(shù)據(jù)是不帶梯度的。

但是我的原始tensor的放在cuda上的，

cuda的張量是不能直接轉(zhuǎn)Tensor，所以

t_error = td_error.cuda().data.cpu().numpy()
t_error = torch.FloatTensor(t_error).to(device)

從cuda轉(zhuǎn)回了cpu，變成numpy，又轉(zhuǎn)成了tensor，又回到了cuda上，坑爹呢這是，可能只有我才能寫出如此低效的辣雞代碼了。

后來發(fā)現(xiàn)，其實直接在返回的時候添加

with torch.no_grad():
 td_error = reward + GAMMA * v_ - v

即可.

補充：在pytorch中取一個tensor的均值，然后該張量中的所有值與其對比！

Pytorch中的Tensor的shape是(B, C, W, H)，

對該tensor取均值并與所有值做對比代碼如下：

C, H, W = tensor.shape[1], tensor.shape[2], tensor.shape[3]
for c in range(C):
 mean = torch.mean(x[0][c])
 for h in range(H):
  for w in range(W):
  if x[0][c][h][w] >= mean:
  x[0][c][h][w] = mean

以上為個人經(jīng)驗，希望能給大家一個參考，也希望大家多多支持腳本之家。