07 自动求导

李沐大神 动手学深度学习 课程笔记

简单学习笔记，详情请阅读 https://zh-v2.d2l.ai/

import torch

矩阵求导 shape

pytorch 隐式构造图

x = torch.arange(4.0, requires_grad = True) #注意4.0，不能为4，需为tensor。
x

tensor([0., 1., 2., 3.], requires_grad=True)

y = 2* torch.dot(x, x)#x向量，y标量，同时记录y是从x计算过来( grad_fn=<MulBackward0> )
print(y)

tensor(28., grad_fn=<MulBackward0>)

y.backward() # 反向求导
x.grad == 4 * x

tensor([True, True, True, True])

# 默认情况 pytorch 会累积梯度，需清除之前的值
x.grad.zero_() #下划线为重写内容，把0写入; 若不清零，梯度会在原来基础上累加
y = x.sum()
y.backward()
x.grad

tensor([1., 1., 1., 1.])

# y 为向量时, 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
# 目的：计算batch中每个样本单独计算的偏导数之和。
x.grad.zero_()
y = x * x
y.sum().backward() #通过求和变为标量,等价于.backward(torch.ones(len(x)))
x.grad

tensor([0., 2., 4., 6.])

# 某些计算移到记录的计算图之外,把某些参数固定住
x.grad.zero_()
y = x * x 
u = y.detach()
z = u * x

z.sum().backward()
x.grad == u

tensor([True, True, True, True])

# python控制流(条件，循环，任意函数调用)时，仍可求导.   
# 在这一点上，隐式构造图比显式做的更好一些。快。
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

a = torch.randn(size=(),requires_grad=True) #标量
d = f(a)
d.backward()

a.grad == d / a

tensor(True)