自学习自定义权重参数

pytorch要让两个tensor相加，使用的权重相加和为1，这两个权重，如果手动用代码调试的话，可能需要很多次才能找到最佳权重，然后就找了一下权重配置自学习的代码，稍微修改了一下，感觉能满足自己需求了，代码如下：

输出结果如下：

tensor([[0.6457, 0.3543]], grad_fn=<SoftmaxBackward0>) tensor([0.6457], grad_fn=<SelectBackward0>) tensor([0.3543], grad_fn=<SelectBackward0>)

0

tensor([[0.6461, 0.3539]], grad_fn=<SoftmaxBackward0>) tensor([0.6461], grad_fn=<SelectBackward0>) tensor([0.3539], grad_fn=<SelectBackward0>)

1

tensor([[0.6464, 0.3536]], grad_fn=<SoftmaxBackward0>) tensor([0.6464], grad_fn=<SelectBackward0>) tensor([0.3536], grad_fn=<SelectBackward0>)

2

tensor([[0.6464, 0.3536]], grad_fn=<SoftmaxBackward0>) tensor([0.6464], grad_fn=<SelectBackward0>) tensor([0.3536], grad_fn=<SelectBackward0>)

3

tensor([[0.6466, 0.3534]], grad_fn=<SoftmaxBackward0>) tensor([0.6466], grad_fn=<SelectBackward0>) tensor([0.3534], grad_fn=<SelectBackward0>)

4

tensor([[0.6468, 0.3532]]) tensor([0.6468]) tensor([0.3532])

Test output: tensor([[ 0.0491],

        [-0.4962],

        [ 0.0250],

        [-0.1889],

        [-0.6193],

        [-0.5427],

        [ 0.1463],

        [ 1.1827],

        [ 0.7400],

        [-0.4070]])

Learned weights: Parameter containing:

tensor([[0.8024, 0.1976]], requires_grad=True)

可以看到参数值得到了更新