【MXNet学习26】MXNet autograd 自动求导

• MXNet 提供 autograd 包来⾃动化求导过程。
• MXNet 的 autograd 包可以对正常的命令式程序进⾏求导。

from mxnet import autograd,nd
 
#创建变量，并复制
x = nd.arange(4).reshape((4,1))
 
#先使用attach_grad()为变量梯度申请内存
x.attach_grad()
 
#定义有关变量x的函数。默认条件下，为了减少计算和内存开销，MXNet不会记录用于求梯度的计算图。我们需要调用record函数来要求MXNet记录与求梯度有关的计算。
#也就是说不能使用之前定义的函数直接求导（分割线以后内容为错误示例）
with autograd.record():
    y = 2 * nd.dot(x.T, x)
 
#由于x的形状为(4, 1)，y是一个标量。接下来我们可以通过调用backward函数自动求梯度。需要注意的是，如果y不是一个标量，MXNet将先对y中元素求和得到新的变量，再求该变量有关x的梯度。
y.backward()
 
#输出结果
x.grad, x.grad == 4*x # 1为真，0为假。

==========分割线===========

# 也就是说不能使用之前定义的函数直接求导（以下内容为错误示例）。

from mxnet import autograd, nd
n=nd.arange(4).reshape((4,1))
print(n)
# [[ 0.]
# [ 1.]
# [ 2.]
# [ 3.]]
# <NDArray 4x1 @cpu(0)>
m=(nd.dot(n.T,n))
print(m)	# [[ 14.]]
n.attach_grad()
 
with autograd.record():
    #m=(nd.dot(n.T,n))
    m
m.backward()
n.grad,n.grad ==2*x

---

对于出现的MXNetError: [18:29:55] C:\projects\mxnet-distro-win\mxnet-build\src\imperative\imperative.cc:373: Check failed: !AGInfo::IsNone(*i) Cannot differentiate node because it is not in a computational graph. You need to set is_recording to true or use autograd.record() to save computational graphs for backward. If you want to differentiate the same graph twice, you need to pass retain_graph=True to backward. 这个错误，其原因在于需要提前为求导变量分配内存，在with语句前使用attach_grad()为求导变量分配内存。