【目录】
- 计算图
- 动态图机制
1、计算图
- 计算图为求导提供方便
- 所有从y通向w导数的边之和(y节点到w节点的所有可能路径)
- 叶子节点
叶子节点是用户自己创建的节点,也就是不依赖其他张量的张量;
可以用 is_leaf 来判断其是否为叶子节点;
通过反向传播自动求解梯度的前提是:叶子节点 且 requires_grad = True:
① 对于requires_grad没有设置为true的叶子节点,是不会自动求取其导数的,非叶子节点不能设置requires_grad
② 而对于非叶子节点,在自动求取梯度计算后,内存会被释放掉,其梯度不会被保存下来,如果该节点的梯度希望被保存下来,则执行:该节点.retain_grad;
#节点 .retain_grad() 在backward之前,不用hook时,简单查看非叶子节点的梯度
# ====================================== retain_grad ==============================================
flag = True
# flag = False
if flag:
w = torch.tensor([1.], requires_grad=True)
x = torch.tensor([2.], requires_grad=True)
a = torch.add(w, x)
b = torch.add(w, 1)
y = torch.mul(a, b)
a.retain_grad()
y.backward()
print(w.grad)
# use .retain_grad() on the non-leaf Tensor before backward.
print(a.grad)
- grad_fn()
grad_fn()用来记录该张量是怎样得到的,便于后面梯度的求导运算。比如说y张量是通过乘法得到的,则y.grad_fn=<MulBackward0>
叶子节点的grad_fn为None
2、动态图
"不跟团旅行"为动态图,Torch为动态图机制,图搭建是根据每一步计算而搭建的;
“跟团旅行”为静态图,不灵活,TensorFlow为静态图机制,张量在静态图中流动。