文章目录
向量的链式法则
标量链式法则
向量链式法则
例一
例二
自动求导
自动求导计算一个函数在指定值上的导数
它有别于:
计算图
将代码分解成操作子
将计算表示成一个无环图
显示构造(MXNet / Tensorflow / Theano)
隐式构造(pytorch / MXNet)
自动求导的两种模式
链式法则
正向累积
反向累积(反向传递)
反向累积计算过程
1.有正向计算结果
2.
3.
4.
反向累积总结
复杂度
自动求导的简单代码实现
对函数y = 2xTx关于列向量x求导
import torch
x = torch.arange(4.0)
x.requires_grad_(True) # 设置存储梯度, x.grad()默认值是None
y = 2 * torch.dot(x, x) # 计算y
print(y)
y.backward() # 调用反向传播函数来自动计算y关于x每个分量的梯度
print(x.grad) # 打印梯度
print(x.grad == 4 * x)
执行结果
tensor(28., grad_fn=) # 表示已设置需要存储梯度
tensor([ 0., 4., 8., 12.])
tensor([True, True, True, True])
当需要计算x的另一个函数
x.grad.zero_() # 首先把梯度清0
y = x.sum() # 例如此y
y.backward() # 计算梯度
print(x.grad)
tensor([1., 1., 1., 1.])
计算批量中每个样本单独的偏导数之和
深度学习中 ,我们的目的不是计算微分矩阵,而是批量中每个样本单独计算的偏导数之和
x.grad.zero_() # 把梯度清0
y = x * x # 例如此y
z = y.sum()
z.backward()
print(x.grad)
tensor([0., 2., 4., 6.])
将某些计算移动到记录的计算图之外
x.grad.zero_()
y = x * x
u = y.detach() # 移到计算图之外
z = u * x
z.sum().backward()
x.grad == u
tensor([True, True, True, True])
带控制流计算梯度
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
def f(a):
b = a * 2
while b.norm() < 1000:
b = b * 2
if b.sum() > 0:
c = b
else:
c = 100 * b
return c
a = torch.randn(size=(), requires_grad=True)
d = f(a)
d.backward()
a.grad == d / a