显示构造:先定义好公式,再待入值。
隐式构造:系统负责记住一步步的计算,之后定义公式。
import torch
# 假设我们想对函数y = 2xTx关于列向量x求导
x = torch.arange(4.0)
# 计算y关于x的梯度之前,需要一个地方来存储梯度
x.requires_grad_(True) # 等价于 x = torch.arange(4.0, require_grad=True)
print(x.grad) # 默认值是None
# 计算y
y = 2 * torch.dot(x, x)
print(y)
# 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()
print(x.grad)
print(x.grad == 4 * x)
# 现在计算x的另一个函数
# 默认情况下,PyTorch会累计梯度,我们需要清除之前的值
x.grad.zero_() # 下划线表示函数重写内容
y = x.sum()
y.backward()
print(x.grad)
# 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)))
# 大部分情况下是对一个标量进行求导,所以把y做一个求和,这样是一个标量
y.sum().backward()
print(x.grad)
# 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() # y.detach()当作一个常数,而非一个关于x的常数,那么u就是一个常数,值为x * x
z = u * x
z.sum().backward()
print(x.grad == u)
x.grad.zero_()
y.sum().backward()
print(x.grad == 2 * x)
# 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变量的梯度
def f(a):
b = a * 2
while b.norm() < 1000:
b = b * 2
if b.sum() > 10:
c = b
else:
c = 100 * b
return c
a = torch.randn(size=(), requires_grad=True) # size=()表示是一个标量
d = f(a)
d.backward()
print(a.grad == d / a)
None
tensor(28., grad_fn=<MulBackward0>)
tensor([ 0., 4., 8., 12.])
tensor([True, True, True, True])
tensor([1., 1., 1., 1.])
tensor([0., 2., 4., 6.])
tensor([True, True, True, True])
tensor([True, True, True, True])
tensor(True)