pytorch基础操作(二) 自动微分

1、标量的自动微分

2、非标量的自动微分

'''
自动微分___非标量的自动微分
'''
# 对⾮标量调⽤backward需要传⼊⼀个gradient参数，该参数指定微分函数关于self的梯度。
# 在我们的例⼦中，我们只想求偏导数的和，所以传递⼀个1的梯度是合适的
x.grad.zero_()
y = x * x  # y = x * x = (x1^2 , x2^2 , x3^2 , x4^2)

# 等价于y.backward(torch.ones(len(x)))
y.sum().backward()  # y.sum()  ===> y_sum = x1^2 + x2^2 + x3^2 + x4^2

x.grad  # 求梯度，x.grad = （2x1 , 2x2 , 2x3 , 2x4）

3、分离计算

'''
分离计算

# z=B(y)、y=A(x) 求B中参数的梯度，不求A中参数的梯度
y = A(x)
z = B(y.detach())
z.backward()

y.detach()
返回一个新的tensor,从当前计算图中分离下来的，但是仍指向原变量的存放位置(内存相同),不同之处只是requires_grad为false，
得到的这个tensor不再有计算梯度的能力，反向传播时遇到该tensor将停止，不再继续传播

'''

x.grad.zero_()
y = x * x
u = y.detach()
z = u * x

z.sum().backward()  # z.sum()  ===>   z_sum = u(x1 + x2 + x3 + x4)
x.grad == u

4、Python控制流的梯度计算

'''
Python控制流的梯度计算

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


# 计算梯度
a = torch.randn(size=(), requires_grad=True)
a