Automatic differentiation in PyTorch

文章阅读

Automatic differentiation in PyTorch

主要内容

Pytorch是一个深度学习框架,提供了高性能的环境以及容易使用的自动微分模块,并能在不同设备上运行

Pytorch基于的一些项目
  • Lua Torch
  • Chainer
  • HIPS Autograd
Pytorch的所基于项目的两个特性
  • 动态,define-by-run execution
    在静态图中,计算图需要预先定义,然后符号地得到微分,在运行时带入数据计算,而动态图可以提供了更灵活的微分方式,这样可以提供灵活的控制流程
  • 即时,eager execution
    一个eager framework在它带入实际数值时运行张量计算,而不是提前定义一个前向传播的计算图,计算图仅仅为了需要被微分的变量记录下来,不过这样做放弃了编译器对于整张图的优化
Pytorch的新特性
  • 就地运算
  • No tape,Pytorch采用的是reverse-mode automatic differentiation,而传统的这种方法需要记录一个tape来记录运算执行的顺序,而Pytorch摒弃了tape
  • 核心算法由C++实现
接口
  • Variable flags
    为不需要计算梯度的变量做标记,节约计算和存储资源,需要梯度的变量会被标记为require_grad=True,对于任意输入变量若被标记为require_grad=True,则输出变量也会自动标记为require_grad=True

  • Hooks
    通过x.register_hook(lambda grad: print(grad))来随时检查x的梯度

  • 扩展
    可以自定义微分操作

  • 变量和它的转置等会共享内存

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值