0. 前言
loss.backward()
是 PyTorch 中用于计算梯度的函数。它在训练神经网络时发挥着关键作用。理解 loss.backward()
的内部原理有助于深入了解 PyTorch 的自动微分机制。
1. 概述
在PyTorch中,loss.backward()
是反向传播的核心函数,它负责计算模型参数相对于损失函数的梯度。这个过程是基于自动微分(Automatic Differentiation,简称autodiff)技术实现的,具体来说是采用了反向模式的自动微分(Reverse-Mode AD)。下面是对这一过程内部原理的简要说明:
自动微分原理:
(1) 前向传播:首先,模型通过前向传播计算输出值。在这个过程中,PyTorch 会记录计算图(Computation Graph),这个计算图记录了从输入到输出的每一步运算及其依赖关系。每个张量(Tensor)都有一个.grad_fn
属性,指向一个函数,这个函数描述了如何计算这个张量关于其输入的梯度。
(2) 反向传播:当调用 loss.backward()
时,PyTorch 开始反向遍历计算图。这个过程从损失函数开始,沿着图反向传播误差,计算每一个参与运算的张量关于损失的梯度。这是通过链式法则(Chain Rule)完成的,即将损失对某个中间变量的导数分解为其后续操作导数的乘积。
(3)梯度计算:在反向传播过程中,每个运算都会计算其输出关于输入的梯度,并将这个梯度累积到输入张量的.grad
属性中(如果是标量损失,它没有.grad
属性)。这意味着如果一个张量被多个路径使用,它的.grad
属性会累积从所有路径来的梯度。
(4) 梯度累加与同步:在分布式训练中,如果启用了梯度同步(例如使用DataParallel
或DistributedDataParallel
),PyTorch还会在所有设备之间同步计算出的梯度,确保每个参数的梯度是所有设备上相应梯度的平均值。
(5)梯度裁剪与优化:在反向传播完成后,用户通常会执行梯度裁剪以避免梯度爆炸问题,随后使用优化器(如SGD, Adam等)来更新模型参数,即执行optimizer.step()
。这一步实际上根据计算出的梯度和优化算法更新参数。
2. 张量的 requires_grad
属性
要使张量参与梯度计算,需要将其 requires_grad
属性设置为 True
:
import torch
# 创建一个张量,并设置 requires_grad=True
x = torch.tensor([1.0, 2.0, 3.0], requires_grad=True)
3. 前向传播(Forward Pass)
在前向传播过程中,PyTorch 记录所有操作以构建计算图。例如:
y = x * 2
z = y.mean()
这里,y
和 z
都是通过对 x
的操作得到的张量,计算图会记录这些操作。
4. 反向传播(Backward Pass)
当我们调用 loss.backward()
时,PyTorch 会从计算图中的输出节点开始,沿着图的边缘向后遍历,并计算梯度。这一过程包括以下步骤:
(1)计算梯度:
PyTorch 会计算每个张量相对于最终标量输出(如损失)的梯度。
(2)链式法则(Chain Rule):
通过链式法则,PyTorch 会将局部梯度乘积从输出层向输入层传播。
# 计算损失的梯度
z.backward()
在这个例子中,z
是一个标量。z.backward()
会计算 z
相对于 x
的梯度,并将这些梯度存储在 x.grad
中。
5. 示例代码
以下是一个完整的示例代码,展示了 loss.backward()
的整个过程:
import torch
# 创建一个张量,并设置 requires_grad=True
x = torch.tensor([1.0, 2.0, 3.0], requires_grad=True)
# 前向传播
y = x * 2
z = y.mean()
# 反向传播
z.backward()
# 输出梯度
print(x.grad) # 输出: tensor([0.6667, 0.6667, 0.6667])
上述代码中:
z
⃗
=
2
3
∗
x
⃗
=
2
3
[
x
0
,
x
1
,
x
2
]
\vec z =\frac {2}{3}*\vec{x}=\frac {2}{3}[x_0,x_1,x_2]
z=32∗x=32[x0,x1,x2]
梯度计算如下:
∇
x
Z
=
[
2
3
,
2
3
,
2
3
]
\nabla_xZ = [\frac {2}{3}, \frac {2}{3}, \frac {2}{3}]
∇xZ=[32,32,32]
欢迎关注本人,我是喜欢搞事的程序猿; 一起进步,一起学习;
欢迎关注知乎/CSDN:SmallerFL;
也欢迎关注我的wx公众号(精选高质量文章):一个比特定乾坤