标签：梯度

2026-02-07andy阅读(17)评论(0)

在 TensorFlow 2.x 的分布式训练或多副本（Multi-Replica）环境中，当多个计算设备（如多个 GPU）同时计算梯度并尝试更新同一个共享变量时，如何同步和合并这些梯度是一个关键问题。TensorFlow 通过 tf.Va...

2026-02-02andy阅读(38)评论(0)

在PyTorch分布式数据并行（DDP）训练中，性能瓶颈往往出现在不同进程之间的梯度同步环节。为了高效地聚合梯度，DDP引入了“梯度桶”（Gradient Buckets）机制，这不仅减少了通信延迟，还实现了计算与通信的重叠（Overlap...

2026-02-01andy阅读(47)评论(0)

在深度学习的训练过程中，Batch Size（批次大小）是一个至关重要的超参数。通常情况下，更大的 Batch Size 能够提供更准确的梯度估计，有助于模型收敛到更优的解。然而，当模型参数量巨大或输入数据维度极高时，有限的显存（VRAM）...

2026-01-31andy阅读(43)评论(0)

在构建大型深度学习模型时，分布式数据并行（DDP）是提高训练速度的关键技术。然而，许多人误以为分布式训练只是简单地将模型复制到多张卡上并行计算。事实并非如此，真正的效率瓶颈在于梯度同步。PyTorch DDP通过其独特的梯度桶（Gradie...

2026-01-30andy阅读(41)评论(0)

在训练深度学习模型，尤其是如Transformer这类拥有数百甚至数千层的超大模型时，GPU显存往往成为瓶颈。标准的反向传播算法需要存储前向传播中每层的所有中间激活值（Activations），以便在计算梯度时使用，这消耗了大量的显存。当模...

2026-01-28andy阅读(55)评论(0)

在 PyTorch 的模型训练和推理过程中，为了节省内存或提高计算效率，我们经常会用到原地操作（Inplace Operations），例如使用 add_()、mul_() 而不是标准的 + 或 *****。然而，在涉及到梯度计算（即 re...

2026-01-28andy阅读(59)评论(0)

在 PyTorch 中，我们通常使用 torch.no_grad() 来关闭梯度追踪，以加速推理过程或节省内存。但如果我们需要在复杂的训练流程中，根据特定的条件（例如，在执行一个嵌入式评估函数时）动态地、有条件地控制梯度，标准的上下文管理器...

2026-01-28andy阅读(59)评论(0)

在 PyTorch 的模型推理阶段，我们通常需要禁用梯度计算，以节省内存和提高运行速度。最常用的方法是使用上下文管理器 torch.no_grad()。然而，PyTorch 1.9 版本引入了一个更强大的替代品：torch.inferenc...

2026-01-27andy阅读(52)评论(0)

在深度学习模型训练过程中，梯度爆炸（Gradient Explosion）是一个常见且致命的问题。它通常表现为损失值突然变为 NaN 或 Inf，导致训练中断或模型权重迅速发散。PyTorch 提供了强大的工具 register_hook，...

2025-12-21andy阅读(156)评论(0)

概述：理解梯度攻击与随机化防御 基于梯度的对抗性攻击（如FGSM、PGD）通过计算输入像素对于模型损失函数的梯度，微调输入数据以最小的扰动诱导模型做出错误判断。这些攻击的有效性高度依赖于模型决策边界的局部平滑性和梯度的确定性。 随机化防御的...