PyTorch optimizationr.step() 函数不更新权重

Question

代码如下。
问题是，

optimizer.step()

部分不起作用。我在训练前后打印

model.parameters()

，并且权重没有变化。

我正在尝试制作一个可以解决 AND 问题的感知器。我已经用自己的小型库成功地做到了这一点，我在其中实现了具有两个函数

predict()

和

train()

的感知器。

澄清一下，我刚刚开始使用 PyTorch 学习深度学习，所以这可能是一个非常新手的问题。我尝试寻找解决方案，但没有运气。我还将我的代码与其他有效的代码进行了比较，但我不知道我做错了什么。

import torch
from torch import nn, optim
from random import randint

class NeuralNet(nn.Module):
  def __init__(self):
    super(NeuralNet, self).__init__()
    self.layer1 = nn.Linear(2, 1)

  def forward(self, input):
    out = input
    out = self.layer1(out)
    out = torch.sign(out)
    out = torch.clamp(out, 0, 1) # 0=false, 1=true
    return out

data = torch.Tensor([[0, 0], [0, 1], [1, 0], [1, 1]])
target = torch.Tensor([0, 0, 0, 1])
model = NeuralNet()
epochs = 1000
lr = 0.01

print(list(model.parameters()))
print() # Print parameters before training
loss_func = nn.L1Loss()
optimizer = optim.Rprop(model.parameters(), lr)
for epoch in range(epochs + 1):
  optimizer.zero_grad()
  rand_int = randint(0, len(data) - 1)
  x = data[rand_int]
  y = target[rand_int]

  pred = model(x)
  loss = loss_func(pred, y)

  loss.backward()
  optimizer.step()

# Print parameters again
# But they haven't changed
print(list(model.parameters()))

Answer 1

这里的问题是您试图通过不可微函数执行反向传播。不可微分意味着没有梯度可以通过它们流回，这意味着优化器不会更新在它们之前应用的所有可训练权重。这些功能很容易被发现；它们是离散的、尖锐的操作，类似于

'if'

语句。在你的情况下，它是

sign()

函数。

不幸的是，PyTorch 在这方面没有做任何指导，也不会向您指出该问题。为了缓解这个问题，您可以采取的措施是将输出范围转换为

[-1,1]

并应用

Tanh()

非线性而不是

sign()

和

clamp()

运算符。