- 该autograd软件包是PyTorch中所有神经网络的核心。让我们首先简要地访问它,然后我们将去训练我们的第一个神经网络。
- 该autograd软件包可自动区分张量上的所有操作。这是一个按运行定义的框架,这意味着您的backprop是由代码的运行方式定义的,并且每次迭代都可以不同。
张量
- torch.Tensor是程序包的中心类。如果将其属性设置 .requires_grad为True,它将开始跟踪对其的所有操作。完成计算后,您可以调用 .backward() 并自动计算所有梯度。该张量的梯度将累加到 .grad 属性中。
- 要停止张量跟踪历史记录,可以调用 .detach() 将其从计算历史记录中分离出来,并防止跟踪将来的计算。
- 为了防止跟踪历史记录(和使用内存),您还可以将代码块包装在中。这在评估模型时特别有用,因为模型可能具有的可训练参数 ,但我们不需要梯度。with torch.no_grad():requires_grad=True
- 还有一个类对于 autograd 实现非常重要 -a Function
- Tensor 并 Function 相互连接并建立一个无环图,该图对完整的计算历史进行编码。每个张量都有一个 .grad_fn 属性,该属性引用 Function 已创建的 Tensor(用户创建的张量-他们的 除外)。grad_fn is None
- 如果你想计算的衍生品,你可以叫 .backward() 上 Tensor 。如果 Tensor 为标量(即,它包含一个元素数据),则无需为指定参数backward(),但是,如果它具有更多元素,则需要指定gradient 参数为匹配形状的张量。
创建一个张量并设置 requires_grad=True 为跟踪张量
import torch
x = torch.ones(2, 2, requires_grad=True)
print(x)
输出
tensor([[1., 1.],
[1., 1.]], requires_grad=True)
张量的运算:
y = x + 2
print(y)
输出
tensor([[3., 3.],
[3., 3.]], grad_fn=<AddBackward0>)
- y是由于操作而创建的,因此具有grad_fn。
print(y.grad_fn)
输出
<AddBackward0 object at 0x7ff480934ba8>
对y进行更多的操作
z = y * y * 3
out = z.mean()
print(z, out)
输出
tensor([[27., 27.],
[27., 27.]], grad_fn=<MulBackward0>) tensor(27., grad_fn=<MeanBackward0>)
requires_grad
如果未给出输入标志,则默认为 Falese.requires_grad_( ... )
可以就地更改现有的 Tensor 的标志
a = torch.randn(2, 2)
a = ((a * 3) / (a - 1))
print(a.requires_grad)
a.requires_grad_(True)
print(a.requires_grad)
b = (a * a).sum()
print(b.grad_fn)
输出
False
True
<SumBackward0 object at 0x7ff4808ce438>
Gradients(梯度下降)
- 在反向传播中,因为
out
包含单个标量,out.backward()
所以等效于out.backward(torch.tensor(1.))
out.backward()
打印 d(out)/dx
print(x.grad)
输出
tensor([[4.5000, 4.5000],
[4.5000, 4.5000]])
x = torch.randn(3, requires_grad=True)
y = x * 2
while y.data.norm() < 1000:
y = y * 2
print(y)
输出
tensor([-626.3561, 1018.6344, 249.6874], grad_fn=<MulBackward0>)
现在在这种情况下 y
不再是标量。torch.autograd
不能直接计算完整的雅可比行列式,但是如果我们只想要向量-雅可比积,只需将向量传递给 backward
作为参数:
v = torch.tensor([0.1, 1.0, 0.0001], dtype=torch.float)
y.backward(v)
print(x.grad)
输出
tensor([5.1200e+01, 5.1200e+02, 5.1200e-02])
您还可以.requires_grad=True
通过将代码块包装在 with torch.no_grad():
print(x.requires_grad)
print((x ** 2).requires_grad)
with torch.no_grad():
print((x ** 2).requires_grad)
输出
True
True
False