pytorch学习（2）：通过检查梯度参数，判断是否正常反向传播_检查反向传播是否正常

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

问题

在检查神经网络时，我们可能会检查神经网络是否真的把梯度反向传播给了优化器，然而存储梯度参数的变量文件很难找，因此有必要整理一下路径。

---

一、相关代码

我们创建了一个CFAR10的神经网络，输入测试集，计算交叉熵和下降梯度，并将梯度进行反向传播（优化器部分没有写，这里只演示如何寻找存储梯度的变量文件）

#loss函数的作用：
#计算实际输出和标签之间的误差
#为反向传播提供依据（即梯度）gradient
import torch
import torchvision
#from tensorboardX import SummaryWriter
from torch import nn
from torch.nn import Conv2d, Flatten, Linear, Sequential, MaxPool2d
from torch.utils.data import DataLoader

dataset = torchvision.datasets.CIFAR10("./dataset", train=False,
                                       transform=torchvision.transforms.ToTensor(),download=True)
test_data = DataLoader(dataset, batch_size=64, drop_last=True)
#Sequential 是一个更为简洁的书写方式
class CFAR10_Modle(nn.Module):
    def __init__(self):
        super().__init__()
        self.model1 = Sequential(
            Conv2d(3, 32, kernel_size=5,stride=1, padding=2),
            MaxPool2d(kernel_size=2),
            Conv2d(32, 32, kernel_size=5, stride=1, padding=2),
            MaxPool2d(kernel_size=2),
            Conv2d(32, 64, kernel_size=5, stride=1, padding=2),
            MaxPool2d(kernel_size=2),
            Flatten(),
        #self.linear = Linear(64, 10)  应该是64*4*4
            Linear(1024, 64),
            Linear(64, 10)
        )


    def forward(self, x):
        x = self.model1(x)
        return(x)

Ni_CFAR10_Modle = CFAR10_Modle()
#loss = torch.nn.MSELoss()  #选用误差函数，要看神经网络的输出和数据集的标签是什么形式，这里就是错误的
loss = torch.nn.CrossEntropyLoss()

print(Ni_CFAR10_Modle)
#将数据集传入网络中，计算输出结果并与targets核对，计算误差
for data in test_data:
    images, targets = data
    output = Ni_CFAR10_Modle(images)
    print(output)
    loss_result = loss(output, targets)
    print(loss_result)
    loss_result.backward()  #计算梯度，并反向传播，如果没有这一行是不会计算梯度的, 计算梯度以后，就可以传给优化器 ，来调整参数了
    #查看梯度时，将断点设在“上一行“,然后查看Variables，点击自己”实例化“好的模型名称，
    # 在这里是Ni_CIFAR10_Modle,点击里面的modle1-->protected attitude -->modules -->'0',最下面有个weights文件夹，
    # 在里面找不到grad文件夹，只能看到“grad = {NoneType}None” 那说明没有生成梯度参数
    #注意：如果点击的是‘1’ ‘3’等非卷积层文件夹，，是没有weights的
    #然后，你运行上一行，就可以看到 weight文件夹下出现了grad文件夹，
    # 虽然文件夹下依然可以看到“grad = {NoneType}None”，但这已经说明有了梯度参数。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54

二、寻找含有梯度参数的变量文件

在最后一行（loss_result.backward()）处设置断点，运行pycharm的Debug工具，此时查看Variable一栏，可以看到生成了一堆变量文件

由代码可知，我们实例化了一个叫Ni_CFAR10_Modle的网络模型，所以存储网络模型参数的变量文件也叫Ni_CFAR10_Modle，我们点开此文件，可以看到里面有一个叫modle1的文件夹，我们依次点击modle1–>protected attitude -->modules -->‘0’,'0’文件夹中，最下面有个weight文件夹。
注意：****‘0’ ‘2’ ‘4’ 层是Conv2d，卷积层，有weights参数；像’1’ '3’层这种池化层是没有weights参数的，也就没有weight变量文件。
此时，我们weights文件夹下是没有黄色的名为grad的变量文件夹的，只有一个蓝色图标的：“grad = {NoneType}None” ，那说明没有生成梯度参数。

然后我们运行断点，就可以看到 weights文件夹下出现了grad文件夹，虽然文件夹下依然可以看到“grad = {NoneType}None”，但这已经说明有了梯度参数，并进行了反向传播，只不过由于没写优化器，所以优化器还没接受梯度。

黄色文件夹grad后的参数就是梯度参数（grad = {Tensor:(32,3,5,5)}……）
黄色文件夹weight后的参数是该卷积层的权重参数（weight ={Parameter:[32,3,5,5]……}）。

总结

路径：实例化的模型名称–>modle1–>protected attitude -->modules -->‘0’–>weight–>grad
注意损失函数所需要的数据形状要正确。