详解 pytorch 中的 autograd.grad() 函数

最新推荐文章于 2024-06-13 14:43:49 发布

waitingwinter

最新推荐文章于 2024-06-13 14:43:49 发布

阅读量5.1w

点赞数 79

分类专栏： python 文章标签： python

本文链接：https://blog.csdn.net/waitingwinter/article/details/105774720

版权

python 专栏收录该内容

13 篇文章 4 订阅

订阅专栏

我们在用神经网络求解PDE时，经常要用到输出值对输入变量（不是Weights和Biases）求导；在训练WGAN-GP 时，也会用到网络对输入变量的求导。以上两种需求，均可以用pytorch 中的autograd.grad() 函数实现。

autograd.grad(outputs, inputs, grad_outputs=None, retain_graph=None, create_graph=False, only_inputs=True, allow_unused=False)

outputs: 求导的因变量（需要求导的函数）

inputs: 求导的自变量

grad_outputs: 如果 outputs为标量，则grad_outputs=None,也就是说，可以不用写; 如果outputs 是向量，则此参数必须写，不写将会报如下错误：

那么此参数究竟代表着什么呢？

先假设 $\large x,y$ 为一维向量, 即可设自变量因变量分别为 $\mathbf{x} =(x_1, x_2, \cdots, x_n)\in \mathbb{R}^n, y = f(\mathbf{x})= (y_1,y_2,\cdots,y_m)\in \mathbb{R}^m$ ，其对应的 Jacobi 矩阵为

$\large J=\begin{pmatrix} \frac{\partial y_1}{\partial x_1} & \frac{\partial y_1}{\partial x_2} &\cdots& \frac{\partial y_1}{\partial x_n}\\ \frac{\partial y_2}{\partial x_1} & \frac{\partial y_2}{\partial x_2} &\cdots& \frac{\partial y_2}{\partial x_n}\\ \vdots&\vdots&\ddots&\vdots\\ \frac{\partial y_m}{\partial x_1} & \frac{\partial y_m}{\partial x_2} &\cdots& \frac{\partial y_m}{\partial x_n} \end{pmatrix}$

grad_outputs 是一个shape 与 outputs 一致的向量, 即

$\large grad\_outputs=\begin{pmatrix} a_{11} & a_{12} & \cdots&a_{1m} \end{pmatrix}^T$ ,

在给定grad_outputs 之后，真正返回的梯度为

$\large grad = \begin{pmatrix} a_1\frac{\partial y_1}{\partial x_1}+a_2\frac{\partial y_2}{\partial x_2}+\cdots+a_m\frac{\partial y_m}{\partial x_1}\\ a_1\frac{\partial y_2}{\partial x_2}+a_2\frac{\partial y_1}{\partial x_2}+\cdots+a_m\frac{\partial y_m}{\partial x_2}\\ \cdots\cdots\cdots\cdots\\ a_1\frac{\partial y_1}{\partial x_n}+a_2\frac{\partial y_1}{\partial x_n}+\cdots+a_m\frac{\partial y_m}{\partial x_n}\\ \end{pmatrix}\in \mathbb{R}^n.$

为方便下文叙述我们引入记号 $\large grad = J \otimes grad\_outputs.$

其次假设 $\large x = (x_1,\cdots,x_n)\in\mathbb{R}^n, \mathbf{y} =(\mathbf{y_1},\cdots,\mathbf{y_t})\in\mathbb{R}^{s\times t}$ ,第i个列向量对应的Jacobi矩阵为

$\large J_i,1\leq i\leq t.$

此时的grad_outputs 为(维度与outputs一致)

$\large grad\_outputs=(go_1,\cdots,go_t)\in \mathbb{R}^{s\times t}$

由第一种情况，我们有

$\large grad = \sum_{i=1}^t J_i \otimes go_i.$

也就是说对输出变量的列向量求导，再经过权重累加。

若 $x = (\mathbf{x_1},\cdots,\mathbf{x_p})\in\mathbb{R}^{n\times p}, \mathbf{y}\in \mathbb{R}^m,$ 沿用第一种情况记号

$grad = \begin{pmatrix} grad_1&\cdots& grad_p \end{pmatrix}$ , 其中每一个 grad_i 均由第一种方法得出，

即对输入变量列向量求导，之后按照原先顺序排列即可。

retain_graph: True 则保留计算图， False则释放计算图

create_graph: 若要计算高阶导数，则必须选为True

allow_unused: 允许输入变量不进入计算

下面我们看一下具体的例子：

import torch
from torch import autograd

x = torch.rand(3, 4)
x.requires_grad_()

观察 x 为

不妨设 y 是 x 所有元素的和，因为 y是标量，故计算导数不需要设置grad_outputs

y = torch.sum(x)
grads = autograd.grad(outputs=y, inputs=x)[0]
print(grads)

结果为

若y是向量

y = x[:,0] +x[:,1]
# 设置输出权重为1
grad = autograd.grad(outputs=y, inputs=x, grad_outputs=torch.ones_like(y))[0]
print(grad)
# 设置输出权重为0
grad = autograd.grad(outputs=y, inputs=x, grad_outputs=torch.zeros_like(y))[0]
print(grad)

结果为

最后，我们通过设置 create_graph=True 来计算二阶导数

y = x ** 2
grad = autograd.grad(outputs=y, inputs=x, grad_outputs=torch.ones_like(y), create_graph=True)[0]
grad2 = autograd.grad(outputs=grad, inputs=x, grad_outputs=torch.ones_like(grad))[0]
print(grad2)

结果为

综上，我们便搞清楚了它的求导机制.

waitingwinter

关注

79
点赞
踩
286

收藏

觉得还不错? 一键收藏
18
评论
详解 pytorch 中的 autograd.grad() 函数

我们在用神经网络求解PDE时，经常要用到输出值对输入变量（不是Weights和Biases）求导；在训练WGAN-GP 时，也会用到网络对输入变量的求导。以上两种需求，均可以用pytorch 中的autograd.grad() 函数实现。autograd.grad(outputs, inputs, grad_outputs=None, retain_graph=None, cr...
复制链接

扫一扫