pytorch的求导函数backward和torch.autograd.grad()

pytorch中求导可以借助tensor.backward()和torch.autograd.grad()来完成，backward()函数应该很熟悉了，模型的的参数求导一般是使用这个函数来完成。backward()默认是标量对参数求导，如果是向量对参数求导，要传入一个维度和向量一样的tensor。

torch.autograd.grad(outputs, inputs, grad_outputs, retain_graph, create_graph, only_inputs)也可用来对参数求导，这函数的参数解释如下：

• outputs: 函数的输出
• inputs: 函数的输入
• grad_outpus: 梯度的权重，如果是向量对参数求导，这个参数要设置为与outputs维度一样的tensor
• retain_graph: 是否保持图，默认是计算完梯度后就销毁计算图了。
• creta_graph: 是否创建图，如果要计算更高阶的导数，可以设置为True，比如二阶导。

import torch
 
x = torch.randn(3, 4).requires_grad_(True)

y = x ** 2


weight = torch.ones(y.size())
y.backward(weight, retain_graph=True)

print('backward grad')
print(x.grad)
dydx = torch.autograd.grad(outputs=y,
                           inputs=x,
                           grad_outputs=weight,
                           retain_graph=True,
                           create_graph=True,
                           only_inputs=True)
print('autograd grad')
print(dydx[0])

d2ydx2 = torch.autograd.grad(outputs=dydx[0],
                             inputs=x,
                             grad_outputs=weight,
                             retain_graph=True,
                             create_graph=True,
                             only_inputs=True)
print('Second Derivative')
print(d2ydx2[0])

'''
backward grad
tensor([[-1.6736, -4.1714, -0.8464, -3.2346],
        [-2.3770, -3.3405,  1.2205,  0.0100],
        [-0.9843, -0.6907, -0.8425,  0.6817]])
autograd grad
tensor([[-1.6736, -4.1714, -0.8464, -3.2346],
        [-2.3770, -3.3405,  1.2205,  0.0100],
        [-0.9843, -0.6907, -0.8425,  0.6817]], grad_fn=<MulBackward0>)
Second Derivative
tensor([[2., 2., 2., 2.],
        [2., 2., 2., 2.],
        [2., 2., 2., 2.]], grad_fn=<MulBackward0>)
'''