Cedric Martens's questions

我的代码：

import torch
import random


image_width, image_height = 128, 128

def apply_ellipse_mask(img, pos, axes):
    r = torch.arange(image_height)[:, None]
    c = torch.arange(image_width)[None, :]
    val_array = ((c - pos[0]) ** 2) / axes[0] ** 2 + ((r - pos[1]) ** 2) / axes[1] ** 2
    mask = torch.where((0.9 < val_array) & (val_array < 1), torch.tensor(1.0), torch.tensor(0.0))

    return img * (1.0 - mask) + mask


random.seed(0xced)

sphere_radius = image_height / 3
sphere_position = torch.tensor([image_width / 2, image_height / 2 ,0], requires_grad=True)

ref_image = apply_ellipse_mask(torch.zeros(image_width, image_height, requires_grad=True), sphere_position, [sphere_radius, sphere_radius, sphere_radius])

ellipsoid_pos = torch.tensor([sphere_position[0], sphere_position[1], 0], requires_grad=True)
ellipsoid_axes = torch.tensor([image_width / 3 + (random.random() - 0.5) * image_width / 5, image_height / 3 + (random.random() - 0.5) * image_height / 5, image_height / 2], requires_grad=True)

optimizer = torch.optim.Adam([ellipsoid_axes], lr=0.1)
criterion = torch.nn.MSELoss()
for _ in range(100):

    optimizer.zero_grad()
    current_image = torch.zeros(image_width, image_height, requires_grad=True)
    current_image = apply_ellipse_mask(current_image, ellipsoid_pos, ellipsoid_axes)

    loss = criterion(current_image, ref_image)
    loss.backward()
    print(_, loss)
    optimizer.step()

错误：

RuntimeError：尝试第二次向后遍历图表（或在已释放已保存的张量后直接访问它们）。调用 .backward() 或 autograd.grad() 时，将释放已保存的图表中间值。如果您需要第二次向后遍历图表，或者在调用 Backward 后需要访问已保存的张量，请指定 retain_graph=True。

为什么它会尝试第二次向后遍历同一张图？我是否在释放已保存的张量后直接访问它们？

Eigen SparseMatrix 具有以下功能：

• 稀疏矩阵(索引,索引)
• 调整大小（索引，索引）
• 制作压缩()

我想使用 Eigen 存储一个大但（真正）稀疏的矩阵。调用构造函数之前是否会SparseMatrix(Index,Index)分配index^2内存makeCompress()？调整大小（int，int）怎么样？那做什么呢makeCompress()？我真的想避免任何密集的表示。