李沐-动手学深度学习-自动求导

假设我们想对函数y = 2xTx，关于列向量x求导。并对x赋予初值。

在我们计算y 关于x 的梯度之前，我们需要一个地方来存储梯度。 重要的是，我们不会在每次对一个参数求导时都分配新的内存。 因为我们经常会成千上万次地更新相同的参数，每次都分配新的内存可能很快就会将内存耗尽。

 

我们通过调用反向传播函数来自动计算y关于x每个分量的梯度，并打印这些梯度。

默认情况下，会累积梯度，所以在求另一个函数的梯度时要进行清零操作 。

 当将清零代码进行注释时，梯度会累加：

 当y不是标量时，向量y关于向量x的导数的最自然解释是一个矩阵。 对于高阶和高维的y和x，求导的结果可以是一个高阶张量。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。

有时，我们希望将某些计算移动到记录的计算图之外。 例如，假设y是作为x的函数计算的，而z则是作为y和x的函数计算的。 想象一下，我们想计算z关于x的梯度，但由于某种原因，我们希望将y视为一个常数， 并且只考虑到x在y被计算后发挥的作用。

 使用自动微分的一个好处是： 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。