wordpress怎么设置后台权限百度seo文章

钩子函数仅在backward()时才会触发。其中，钩子函数接受梯度作为输入，返回操作后的梯度，操作后的梯度必须要输入的梯度同类型、同形状，否则报错。

主要功能包括：

• 监控当前的梯度（不返回值）；
• 对当前的梯度进行操作，返回新的梯度以覆盖原梯度；
• 在模型中对梯度进行监控或者修改。

案例 1：监控梯度值

import torch# 创建一个张量，并启用梯度追踪
x = torch.tensor([1.0], requires_grad=True)
y = x * 2# 定义钩子函数
def hook_fn(grad):'''作用：打印梯度'''print("Hook triggered, gradient:", grad)# 注册钩子：将钩子函数注册到x上，反向传播计算x梯度时自动触发钩子函数
x.register_hook(hook_fn)# 触发反向传播和钩子函数
y.backward()             

结果：

Hook triggered, gradient: tensor([2.])

案例 2：修改梯度值

import torch# 创建一个张量，并启用梯度追踪
x = torch.tensor([1.0], requires_grad=True)
y = x * 2# 定义钩子函数
def hook_fn(grad):'''作用：修改输入的梯度'''print('原梯度：',grad)return grad * 3# 注册钩子：将钩子函数注册到x上，反向传播计算x梯度时自动触发钩子函数
x.register_hook(hook_fn)# 触发反向传播和钩子函数
y.backward()          print("修改后的梯度:", x.grad)            

结果：

原梯度： tensor([2.])
修改后的梯度: tensor([6.])

案例 3：在模型中使用 register_hook

import torch
import torch.nn as nnmodel = nn.Linear(1, 1)
weight = model.weight # 模型权重# 定义钩子函数
def hook_fn(grad):'''作用：打印梯度'''print("Gradient of weight:", grad)# 注册钩子：将钩子函数注册到weight上，反向传播计算weight梯度时自动触发钩子函数
weight.register_hook(hook_fn)# 输入数据
x = torch.tensor([[1.0]])
target = torch.tensor([[3.0]])# 前向传播
output = model(x)
print(output)# 损失函数
loss = (output - target).pow(2)# 触发反向传播和钩子函数
loss.backward()           

结果：

Gradient of weight: tensor([[-6.1532]])

注意：
在实际使用中，必须使用clone()来确保梯度操作的安全性和计算图完整性，例如：

def hook_fn(grad):return grad.clone() * 3

• 通过 grad.clone() 创建梯度副本后进行操作，所有修改仅作用于副本，不会触碰原始梯度存储。不采用克隆，直接对原始梯度进行操作，PyTorch 会检测到对计算图中张量的潜在原地修改（in-place operation），并抛出异常。
• 不采用克隆，会破坏计算图路径，导致梯度回传中断或错误。