append_backward

查看属性与别名

API属性：声明式编程(静态图)专用API

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

该接口将向主程序（main_program）追加反向部分 。

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。 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 ( Variable ) - 网络的损失变量。
  • parameter_list （list [Variable|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 [Variable|str]，可选）- 在 block0 ( Block ) 中要忽略梯度的 Variable 的名字的集合。所有的 Block 中带有 stop_gradient = True 的所有 Variable 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 Variable 名，值是对应的原始 Variable 。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

参数及其梯度 Variable 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 Variable 。

返回类型

list[( Variable , Variable )]

抛出异常

  • AssertionError - 如果 loss 不是 Variable 的实例。

代码示例

  1. import paddle.fluid as fluid
  3. x = fluid.data(name='x', shape=[None, 13], dtype='int64')
  4. y = fluid.data(name='y', shape=[None, 1], dtype='float32')
  5. x_emb = fluid.embedding(x, size=[100, 256])
  6. y_predict = fluid.layers.fc(input=x_emb, size=1, act=None, name='my_fc')
  7. loss = fluid.layers.square_error_cost(input=y_predict, label=y)
  8. avg_loss = fluid.layers.mean(loss)
  10. # 获取main_program中所有weight参数, 不包括bias.
  11. all_weights = [param for param in fluid.default_main_program().block(0).all_parameters() if 'w_' in param.name]
  12. all_weights_name = [w.name for w in all_weights]
  14. # 若parameter_list为默认值(None), 则返回包含所有param_grad的list
  15. p_g_list1 = fluid.backward.append_backward(loss=avg_loss)
  16. # 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)]
  18. # 返回与传入parameter_list对应的param_grad的list, 传入的parameter_list可以是 param(Variable类型)的list
  19. p_g_list2 = fluid.backward.append_backward(loss=avg_loss, parameter_list=all_weights)
  20. # output: [(embedding_0.w_0, embedding_0.w_0@GRAD), (my_fc.w_0, my_fc.w_0@GRAD)]
  22. # 传入的parameter_list也可以是值为param.name(str类型)的list
  23. p_g_list3 = fluid.backward.append_backward(loss=avg_loss, parameter_list=all_weights_name)
  24. # output: [(embedding_0.w_0, embedding_0.w_0@GRAD), (my_fc.w_0, my_fc.w_0@GRAD)]
  26. # no_grad_set可以是set[Variables]类型，表示梯度将在这些Variables处截断
  27. p_g_list4 = fluid.backward.append_backward(loss=avg_loss, no_grad_set=set([x_emb]))
  28. # output: [(my_fc.w_0, my_fc.w_0@GRAD), (my_fc.b_0, my_fc.b_0@GRAD)]
  30. # no_grad_set也可以是set[Variable.names]类型。当参数Variable是在layers内部创建，且不方便显式地指定时，可以使用set[Variable.names]
  31. p_g_list5 = fluid.backward.append_backward(loss=avg_loss, no_grad_set=set(['my_fc.b_0']))
  32. # output: [(embedding_0.w_0, embedding_0.w_0@GRAD), (my_fc.w_0, my_fc.w_0@GRAD)]
  34. # 返回为[], 因为所有的param_grad均被传入的no_grad_set过滤掉了
  35. p_g_list6 = fluid.backward.append_backward(loss=avg_loss, parameter_list=all_weights, no_grad_set=set(all_weights))