1.标量的反向传播
深度学习框架通过自动计算导数,即自动微分来加快求导。 实际中,根据设计好的模型,系统会构建一个计算图, 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,反向传播意味着跟踪整个计算图,填充关于每个参数的偏导数。
创建一个变量,并为其赋初值,设置自动求导属性 = True,计算函数
y
=
2
∗
X
T
X
y=2 * X^TX
y=2∗XTXy的值
接下来,通过调用反向传播函数来自动计算关于每个分量的梯度,并打印这些梯度
快速验证这个梯度是否计算正确性
现在计算的另一个函数。x,在默认情况下,PyTorch会累积梯度,我们需要清除之前的值
2.非标量变量的反向传播
当不是标量时,向量关于向量的导数的最自然解释是一个矩阵。 对于高阶和高维的和,求导的结果可以是一个高阶张量
然而,虽然这些更奇特的对象确实出现在高级机器学习中(包括深度学习中), 但当调用向量的反向计算时,我们通常会试图计算一批训练样本中每个组成部分的损失函数的导数。 这里,我们的目的不是计算微分矩阵,而是单独计算批量中每个样本的偏导数之和。
3.分离计算
计算关于的梯度,但由于某种原因,希望将视为一个常数, 并且只考虑到在被计算后发挥的作用。
这里可以分离来返回一个新变量,该变量与具有相同的值, 但丢弃计算图中如何计算的任何信息。 换句话说,梯度不会向后流经到。 因此,下面的反向传播函数计算关于的偏导数,同时将作为常数处理, 而不是关于的偏导数
4.Python控制流的梯度计算
使用自动微分的一个好处是: 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。 在下面的代码中,循环的迭代次数和语句的结果都取决于输入的值
让我们计算梯度。
我们现在可以分析上面定义的函数。 请注意,它在其输入中是分段线性的。 换言之,对于任何,存在某个常量标量,使得,其中的值取决于输入,因此可以用验证梯度是否正确