我已经初始化了两个张量（矩阵）：

sm=Var(torch.randn(20,1),requires_grad=True)sm = torch.mm(sm,sm.t()) freq_m=Var(torch.randn(12,20),requires_grad=True)

我从这两个矩阵的数据中创建了两个列表，并使用spearmanr来计算这两个列表之间的相关性值。我创建列表的方式并不重要，但目标是调整矩阵内的值，使计算出的相关性值尽可能接近1。

如果我手动解决这个问题，我会每次调整矩阵中的值0.01（或某个小数），然后重新计算列表和相关性分数。如果新的相关性值高于之前的，我会保存这两个矩阵，并调整不同的值，直到我得到能够提供最高相关性分数的两个矩阵。

PyTorch能够自动完成这个过程吗？我知道PyTorch可以根据方程进行调整，但我希望调整矩阵值的方式不是基于方程，而是基于我计算出的相关性值。任何指导都会非常感激！

回答：

PyTorch有一个自动求导包，这意味着如果你有一个变量，并将其通过可微分函数得到一个标量结果，你可以执行梯度下降来更新变量，以降低或增加标量结果。

所以你需要做的是定义一个在张量级别上工作的函数f，使得f(sm, freq_m)会给你想要的相关性。

然后，你应该做类似以下的事情：

lr = 1e-3for i in range(100):  # 100次更新  loss = 1 - f(sm, freq_m)  print(loss)  loss.backward()  with torch.no_grad():    sm -= lr * sm.grad    freq_m -= lr * freq_m.grad    # 在更新权重后手动将梯度归零    sm.grad.zero_()    freq_m.grad.zero_()

学习率基本上是你迈出的步长，学习率过高会导致损失爆炸，学习率过低会导致收敛缓慢，我建议你进行实验。

编辑：回答关于loss.backward的评论：对于任何可微分函数f，f是多个张量t1, ..., tn的函数，这些张量具有requires_grad=True作为结果，你可以计算损失相对于这些张量的梯度。当你执行loss.backward时，它会计算这些梯度并将它们存储在t1.grad, …, tn.grad中。然后你使用梯度下降更新t1, ..., tn以便降低f的值。这个更新不需要计算图，这就是为什么你使用with torch.no_grad()。在循环结束时，你将梯度归零，因为.backward不会覆盖梯度，而是将新梯度添加到它们上面。更多信息请参见：https://discuss.pytorch.org/t/why-do-we-need-to-set-the-gradients-manually-to-zero-in-pytorch/4903