目录
1、链式法则和自动求导-07
要注意向量的维度
2、自动求导
计算图:
自动求导两种模式
反向累积:
复杂度:
3、代码实现
import torch
# 假设我们想对函数y=2*x.T*x 关于列向量X 求导
# 1、准备x
x = torch.arange(4.0) #tensor([0., 1., 2., 3.])
x.requires_grad = True# 在我们计算y关于x的梯度之前,我们需要一个地方 来存储梯度。
# x.grad #默认值是None 以后可以通过这个访问 y关于x 的导数
# 上两句等价于 x = torch.arange(4.0,requires_grad=True)
print(x)
# 2、现在计算y
y = 2*torch.dot(x,x)
# print(y) #一个标量 tensor(28., grad_fn=<MulBackward0>)
# 3、通过调用反向传播函数来自动计算y关于x每个分量的梯度
y.backward() #求导!!求导后x.grad 就有值了。--调用反向传播函数
print(x.grad) #tensor([ 0., 4., 8., 12.])
print((x.grad==4*x)) #tensor([True, True, True, True])
#------------============
# 现在让我们计算x的另一个函数
# 在默认情况下,PyTorch会累积梯度,我们需要清除之前的值
x.grad.zero_() #清零 如果注释此行.新的梯度会累加在原有梯度之上 tensor([ 1., 5., 9., 13.])
y = x.sum()
y.backward()
print(x.grad) #tensor([1., 1., 1., 1.])
#------------============
# 深度学习中,我们的目的不是计算微分矩阵,而是批量中每个样本单独计算的偏导数之和。
# 对非标量调用~backward需要传入一个gradient 参数,该参数指定微分函数
x.grad.zero_()
y = x*x
# 等价于 y.backward(torch.ones(len(x)))
y.sum().backward()
print(x.grad) #tensor([0., 2., 4., 6.])
#------------============
# 将某些计算移动到记录的计算图之外
x.grad.zero_()
y = x*x
u = y.detach() #把y 当做常数,而不是关于x的函数
z = u*x #u 不是关于x的函数
z.sum().backward()
print(x.grad) #tensor([0., 1., 4., 9.])
print((x.grad==u)) #tensor([True, True, True, True])
x.grad.zero_()
y.sum().backward()
print((x.grad==2*x)) #tensor([True, True, True, True])
#------------============
# 即使构建函数的计算图需要通过 Python控制流(例如,条件、循环或任意函数调用),我们仍然可以计算得到的变量的梯度
def f(a):
b = a*2
while b.norm()<1000:
b = b*2
if b.sum()>0:
c = b
else:
c = 100*b
return c
a = torch.randn(size=(),requires_grad=True)
d = f(a)
d.backward()
print((a.grad==d/a)) #tensor(True)