首页.jpg
Autograd：自动求导
PyTorch中所有神经网络的核心是autograd包。我们首先简要地看看，然后训练第一个神经网络。
Autograd包为Tensors所有操作提供了自动求导。这是一个逐个运行的框架，这意味着用户的BP反向传递是由代码运行方式定义，并且每个迭代都不同。
Tensor
几个重要的类和参数
torch.Tensor是Autograd的核心类，如果设置参数.requires_grad为True，将会开始追踪Tensor的所有操作。当完成计算后，可以使用.backward()并自动获取所有梯度计算。Tensor的梯度将被汇集到.grad参数中。
如果想阻止Tensor追踪历史记录。
- 可以调用.detach()，将其从历史记录中分离出来，并且能够防止将来的计算被追踪。
- 可以调用torch.no_grad()来包裹代码，在评估模型时会有用，因为模型可能具有requires_grad = True的可训练参数，但我们不需要渐变。
还有一个重要的类，Function。
autograd
可以通过属性** .data 来访问原始的tensor，而关于这一Variable的梯度则集中于 .grad **属性中。
Tensor和Function相互连接并构建一个无环图，这个图能够编码一个完整的计算历史。每一个Tensor都有一个.grad_fn参数，这个参数可以引用已创建的Tensor中的Function（除非用户创建的 Tensor中参数.grad_fn为None）。
如果如果要计算导数，可以在Tensor上调用.backward()。如果Tensor是标量，（即它包含一个元素数据），则不需要为backward（）指定任何参数，但是如果它有更多元素，则需要指定一个渐变参数，该参数是匹配形状的张量。
下面来试试grad_fn
#创建一个tensor，设定requires_grad=True来追踪计算
x=torch.ones(2,2,requires_grad=True)
print(x)
#进行tensor操作
y=x+2
print(y)
#查看y的grad_fn
print(y.grad_fn)
#完成更多的操作
z=y*y*3
out=z.mean()
print(z, z.grad_fn,out)
.requires_grad_(...) 能够更改现有的Tensor的requires_grad标志。如果没有给出，输入标志默认为False。
a = torch.randn(2, 2)
a = ((a * 3) / (a - 1))
print(a.requires_grad)
a.requires_grad_(True)
print(a.requires_grad)
b = (a * a).sum()
print(b.grad_fn)
梯度
开始BP反向传递，因为out包括了一个单独scalar，out.backward()和out.backward(torch.tensor(1.))相同。
out.forward()
print(x.grad)
你应该有一个含有4.5的矩阵。我们称之为“Tensor”。
在数学上，如果你有一个向量值函数，那么相对于的渐变是一个Jacobian matrix：一般来说，torch.autograd是一个Jacobian matrix的引擎。也就是说，给定任何向量，计算结果。如果恰好是标量函数的梯度，也就是说，那么通过链规则，Jacobian matrix乘积将是相对于的梯度:(注意，给出一个可以被视为列向量的行向量通过服用。）
上面这段在原教程中有点问题，总之就是pytorch包含有一个自动求导的核心功能，在Jacobian matrix同样适用。
现在让我们看一下Jacobian matrix的例子
x=torch.randn(3,requires_grad=True)
y=x*2
while y.data.norm()<1000:
y=y*2
print(y)
v = torch.tensor([0.1, 1.0, 0.0001], dtype=torch.float)
y.backward(v)
print(x.grad)
print(x.requires_grad)
print((x ** 2).requires_grad)
with torch.no_grad():
print((x ** 2).requires_grad)
网友评论