torch.autograd
深度学习模型的训练就是不断更新权值，权值的更新需要求解梯度，梯度在模型训练中是至关重要的。
然而求解梯度十分繁琐，pytorch提供自动求导系统。我们不需要手动计算梯度，只需要搭建好前向传播的计算图，然后根据pytorch中的autograd方法就可以得到所有张量的梯度。
torch.autograd.backward
- 功能：自动求取计算图所有节点变量的梯度
- tensor：用于求导的张量，如loss
- grad_tensors：多梯度权重；当有多个loss需要去计算梯度的时候，就要设计各个loss之间的权重比例
- retain_graph：保存计算图；由于pytorch采用动态图机制，在每一次反向传播结束之后，计算图都会释放掉。如果想继续使用计算图，就需要设置参数retain_graph为True
- create_graph：创建导数计算图，用于高阶求导，例如二阶导数、三阶导数等等
torch.autograd.backward(tensors, grad_tensors=None,\
retain_graph=None, create_graph=False, grad_variables=None)
使用示例
import torch
torch.manual_seed(10) #用于设置随机数
flag = True
# flag = False
if flag:
w = torch.tensor([1.], requires_grad=True) #创建叶子张量，并设定requires_grad为True，因为需要计算梯度；
x = torch.tensor([2.], requires_grad=True) #创建叶子张量，并设定requires_grad为True，因为需要计算梯度；
a = torch.add(w, x) #执行运算并搭建动态计算图
b = torch.add(w, 1)
y = torch.mul(a, b)
y.backward() #对y执行backward方法就可以得到x和w两个叶子节点
print(w.grad) #输出为tensor([5.])
'''
backward()中有一个retain_graph参数，它是用来保存计算图的，如果还想执行一次反向传播 ，必须将retain_graph参数设置为True，否则代码会报错。因为如果没有设置为True，每进行一次backward之后，计算图都会被清空，没法再进行一次backward()操作
因此，如果执行
y.backward(retain_graph=True)
y.backward(retain_graph=True)
输出为：tensor([10.])
'''
从代码中可以发现对y求导使用的是y.backward()方法，也就是张量中的类方法。我们上面介绍的是torch.autograd中的backward()。这两个方法之间有什么联系呢？
通过pycharm中的断点调试，可以发现y.backward()是Tensor.py中的一个类方法的函数。这个函数只有一行代码，就是调用torch.autograd.backward()
def backward(self, gradient=None, retain_graph=None, create_graph=False):
torch.autograd.backward(self, gradient, retain_graph, create_graph)
- grad_tensors，用于设置多个梯度之间的权重，具体的使用可以参考一下下面的代码
import numpy as np
import tensor
flag = True
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)
y0 = torch.mul(a, b) # y0 = (x+w) * (w+1)
y1 = torch.add(a, b) # y1 = (x+w) + (w+1)
loss = torch.cat([y0, y1], dim=0) # [y0, y1]，损失函数由两部分组成
grad_tensors = torch.tensor([1.,2.]) #设置两部分损失函数的权重
loss.backward(gradient=grad_tensors) # gradient 传入 torch.autograd.backward()中的grad_tensors
print(w.grad) # w = 1*5 + 2*2 = 9，输出为9
torch.autograd.grad
- 功能：求取梯度
- outputs：用于求导的张量，如loss；
- inputs：需要梯度的张量，如上面代码中的w；
- create_graph：创建导数计算图，用于高阶求导；
- retain_graph：保存计算图
- grad_outputs：多梯度权重
import numpy as np
import torch
flag = True
if flag:
x = torch.tensor([3.], requires_grad=True)
y = torch.pow(x, 3) # y = x**2
grad_1 = torch.autograd.grad(y, x, create_graph = True) #求y关于x的一阶梯度
print(grad_1) #输出为(tensor([6.], grad_fn=<MulBackward0>),)
grad_2 = torch.autograd.grad(grad_1[0], x) #y关于x的二阶梯度
print(grad_2) #输出为(tensor([2.]),)
梯度不自动清零与grad.zero_()
比较下面两段代码
flag = True
if flag:
w = torch.tensor([1.], requires_grad=True)
x = torch.tensor([2.], requires_grad=True)
for i in range(4):
a = torch.add(w, x)
b = torch.add(w, 1)
y = torch.mul(a, b)
y.backward()
print(w.grad)
其输出为：
tensor([5.])
tensor([10.])
tensor([15.])
tensor([20.])
与
flag = True
if flag:
w = torch.tensor([1.], requires_grad=True)
x = torch.tensor([2.], requires_grad=True)
for i in range(4):
a = torch.add(w, x)
b = torch.add(w, 1)
y = torch.mul(a, b)
y.backward()
print(w.grad)
w.grad.zero_()
tensor([5.])
tensor([5.])
tensor([5.])
tensor([5.])
依赖于叶子结点的结点，requires_grad默认为True
待定
叶子结点不可执行in-place
待定
Logistic 算法(逻辑回归算法)
逻辑回归与线性回归的区别
逻辑回归模型表达式：
线性回归模型表达式：
- 逻辑回归是在线性回归的基础上加了一个激活函数sigmoid()
- 为了更好地描述分类置信度，所以采用sigmoid函数将输出映射到0-1，符合一个概率取值
机器学习的一般步骤
数据 -> 模型 -> 损失函数 -> 优化器
数据
数据的采集、清洗、划分和预处理
模型
根据任务的难易程度选择简单的线性模型或者复杂的神经网络模型
损失函数
根据不同的任务选择不同的损失函数，比如在线性回归模型中采用均方差损失函数，如果是分类任务，可以用交叉熵
有了损失函数，就可以求Loss关于参数的梯度
优化器
得到梯度之后，可以选择某一种优化方式，更新我们的权值。
针对非线性局部最优、鞍点、病态网络等问题，最新优化器在SGD的基础上做过很多优化工作。这是一个很大的课题，后续有时间的话，会开一个专栏进行总结。
@本代码来源于深度之眼《pytorch框架班》
@作者：课程讲师：余老师
@如有侵权，请联系我
import torch
import torch.nn as nn
import matplotlib.pyplot as plt
import numpy as np
torch.manual_seed(10)
from math import *
# ============================ step 1/5 生成数据 ============================
sample_nums = 100
mean_value = 1.7
bias = 1.5
n_data = torch.ones(sample_nums, 2)
x0 = torch.normal(mean_value * n_data, 1) + bias # 类别0 数据 shape=(100, 2)
y0 = torch.zeros(sample_nums) # 类别0 标签 shape=(100, 1)
x1 = torch.normal(-mean_value * n_data, 1) + bias # 类别1 数据 shape=(100, 2)
y1 = torch.ones(sample_nums) # 类别1 标签 shape=(100, 1)
train_x = torch.cat((x0, x1), 0)
train_y = torch.cat((y0, y1), 0)
# ============================ step 2/5 选择模型 ============================
class LR(nn.Module):
def __init__(self):
super(LR, self).__init__()
self.features = nn.Linear(2, 1)
self.sigmoid = nn.Sigmoid()
def forward(self, x):
x = self.features(x)
x = self.sigmoid(x)
return x
lr_net = LR() # 实例化逻辑回归模型
# ============================ step 3/5 选择损失函数 ============================
loss_fn = nn.BCELoss()
# ============================ step 4/5 选择优化器 ============================
lr = 0.01 # 学习率
optimizer = torch.optim.SGD(lr_net.parameters(), lr=lr, momentum=0.9)
# ============================ step 5/5 模型训练 ============================
for iteration in range(1000):
# 前向传播
y_pred = lr_net(train_x)
# 计算 loss
loss = loss_fn(y_pred.squeeze(), train_y)
# 反向传播
loss.backward()
# 更新参数
optimizer.step()
# 清空梯度
optimizer.zero_grad()
# 绘图
if iteration % 20 == 0:
mask = y_pred.ge(0.5).float().squeeze() # 以0.5为阈值进行分类
correct = (mask == train_y).sum() # 计算正确预测的样本个数
acc = correct.item() / train_y.size(0) # 计算分类准确率
plt.scatter(x0.data.numpy()[:, 0], x0.data.numpy()[:, 1], c='r', label='class 0')
plt.scatter(x1.data.numpy()[:, 0], x1.data.numpy()[:, 1], c='b', label='class 1')
w0, w1 = lr_net.features.weight[0]
w0, w1 = float(w0.item()), float(w1.item())
plot_b = float(lr_net.features.bias[0].item())
plot_x = np.arange(-6, 6, 0.1)
plot_y = (-w0 * plot_x - plot_b) / w1
plt.xlim(-5, 7)
plt.ylim(-5, 7)
plt.plot(plot_x, plot_y)
plt.text(-8, 1, 'Loss=%.4f' % loss.data.numpy(), fontdict={'size': 20, 'color': 'red'})
plt.title("Iteration: {}\nw0:{:.2f} w1:{:.2f} b: {:.2f} accuracy:{:.2%}".format(iteration, w0, w1, plot_b, acc))
plt.legend()
#plt.show()
plt.pause(0.5)
if acc > 0.99:
plt.show()
break
结果：
扫一扫
1650
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
