Pytorch 中梯度简单理解
Pytorch 的 tensor 带有梯度属性,tensor.grad_fn 存储梯度信息,利用 backward 函数可进行梯度回传
import torch
x = torch.randn(2, 2, requires_grad=True) # requires_gard 打开梯度
同样可以这样打开梯度
x = torch.randn(2, 2)
x.requires_gard_(True)
继续构建计算图
print(x, x.grad_fn)
y = x * x
z = y + 1
out = z.mean()
out.backward() # 梯度回传
backward 函数可以附带参数 w,默认是一个值为 1 的标量,由于 out 本身为标量,因此不影响。
out.backward(torch.tensor(1.0)) # 等价于 out.backward()
out.backward(torch.tensor([1.0])) # 等价于 out.backward()
当 w 不为 1 时,backward 的计算带有了权值,一般 w 具有值用于中间梯度的直接回传,不经过后续的梯度计算
out2 = out * 2
out2.backward()
等价于
out.backward(torch.tensor(2.0)) # 梯度带有了额外的权值
此时的回传不需要通过 out2 计算
当需要回传的 tensor 不是一个标量时,w 的 size 应与当前 tensor 一致
# z.size() = 2 x 2
w = torch.tensor([10, 1, 0.1, 0.01], dtype=torch.float32) # w.size() = 1 x 4
z.backward(w.view(2, 2)) # 等价于 (z * w.view(2, 2)).backward()
在实际中,有时候还需要冻结部分梯度
x = torch.ones(2, 2, requires_gard=True)
y1 = x ** 2
with torch.no_grad(): # 冻结梯度
y2 = x ** 3
y3 = y1 + y2
正常情况下,dy3/dx = dy3/dy1 + dy3/dy2 = 2x + 3x^2
此时 dy3/dx = dy3/dy1 = 2x,梯度被冻结