深度学习基础7（正反向传播，计算图，自动微分，分离计算，控制流梯度计算）

开始之前，补充一个关于梯度的图，方便记忆输入输出的形状

计算图

自动求导的两种模式

正向积累

• 存储中间结果

反向积累（又叫反向传递）

• 去除不需要的枝

  ​

关于复杂度：

自动微分

深度学习框架通过自动计算导数，即自动微分（automatic differentiation）来加快求导。

实际中，根据我们设计的模型，系统会构建一个***计算图***（computational graph）， 来跟踪计算是哪些数据通过哪些操作组合起来产生输出。

自动微分使系统能够随后反向传播梯度。

这里，反向传播（backpropagate）意味着跟踪整个计算图，填充关于每个参数的偏导数。

一个简单的例子

假设想对函数𝑦=2𝐱⊤𝐱关于列向量𝐱求导。 首先，创建变量x并为其分配一个初始值。

import torch

x = torch.arange(4.0)
x

tensor([0., 1., 2., 3.])

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。

重要的是，我们不会在每次对一个参数求导时都分配新的内存。 因为我们经常会成千上万次地更新相同的参数，每次都分配新的内存可能很快就会将内存耗尽。

注意，一个标量函数关于向量𝐱的梯度是向量，并且与𝐱具有相同的形状。

x.requires_grad_(True)  # 等价于x=torch.arange(4.0,requires_grad=True)
x.grad  # 默认值是