《PyTorch深度学习实践》第四讲 反向传播

b站刘二大人《PyTorch深度学习实践》课程第四讲反向传播笔记与代码：https://www.bilibili.com/video/BV1Y7411d7Ys?p=4&vd_source=b17f113d28933824d753a0915d5e3a90

---

对于上述简单的模型可以用解析式来做，但是对于复杂模型而言，如下图每个圆圈中都有一个权重，诶个写解析式求解极其麻烦，几乎不可能

计算图Computational Graph

• 面对复杂网络，将其看作一个图，在图上来传播梯度，最终根据链式法则将其求出

• 以一个两层神经网络为例

  

• MM：Matrix Multiplication，矩阵乘法；ADD：向量加法

• 其中绿色模块就是计算模块

  

• 注意：上面给出的神经网络$\hat{y}$可以对其进行展开，展开之后就会发现如果就这样一直线性展开，不管有多少层，最终得到的都能统一为一层，这样的话层数多和层数少都没区别

  

  • 解决方法：对每一层的输出加一个非线性函数，使其不能化简

    

---

链式法则（Chain Rule）：

步骤：

1. Create Computational Graph（Forward）

   • 前馈运算
     • 从输入$x$沿着边向最终的loss计算
   

2. Local Gradient

   • 函数$f$是用于计算输出$Z$关于输入$x$和权重$w$的导数
   • $Z=f(x,w)$
   

3. Given gradient from successive node

   • 对于输出结果$Z$而言，首先要拿到最终的损失函数Loss对它的偏导$\frac{\partial L}{\partial z}$
     • 该偏导是从Loss传回来的。先是从最初的输入$x$通过前馈一步一步计算到最终的损失函数Loss（前馈过程），然后再从Loss开头一步一步往回算（反馈过程）
   

4. **Use chain rule to compute the gradient (Backward) **

   • 拿到$\frac{\partial L}{\partial z}$后，经过计算$f$，我们的目标是得到Loss关于输入$x$和权重$w$的偏导，这一计算过程需使用上链式法则
   

实例一：

• $f=x\cdot w$，令$x=2,w=3$
  • 输出Z关于输入$x$的偏导：$\frac{\partial Z}{\partial x}=\frac{\partial x\cdot w}{\partial x}=w$
  • 输出Z关于权重$w$的偏导：$\frac{\partial Z}{\partial w}=\frac{\partial x\cdot w}{\partial w}=x$

前馈过程：

• 由$x$和$w$计算得到$z$

反馈过程：

• 假设由前一步得到最终的损失函数Loss对$Z$的偏导为5

---

线性模型$\hat{y}=x\ast w$的计算图

• 模型计算图

  • 假设输入$x=1$，权重$w=1$，那么$\hat{y}=x\ast w=1$
  

• loss计算图，$loss=(\hat{y}-y{)}^2=(x\cdot w-y{)}^2$

  • 将$(\hat{y}-y)$称为残差项（residual），记为$r=\hat{y}-y$
  
  • 假设$y=2$，那么残差项$r=\hat{y}-y=-1$，残差对$\hat{y}$的导数$\frac{\partial \hat{y}-y}{\partial \hat{y}}=1$

上述即为前馈过程：

• 不仅能计算出到下一步的输出值，还能够计算出局部的梯度

接下去就是反馈过程：

• 首先求损失函数loss关于残差项$r$的偏导，$loss=r^2$

  

• 再计算损失关于$\hat{y}$的偏导

  

• 最终得到损失关于权重$w$的偏导

  

完整的计算图：

---

PyTorch中如何实现前馈和反馈计算？？？

import torch    # 导入pytorch库

# 训练集
x_data = [1.0, 2.0, 3.0]
y_data = [2.0, 4.0, 6.0]

# 权重
w = torch.Tensor([1.0])     # 使用pytorch中的Tensor进行定义赋值
w.requires_grad = True      # 表示需要计算梯度，默认的是False，即不计算梯度


def forward(x):
    # 定义模型：y_hat = x * w，其中w是一个张量Tensor，因此该乘法*被重载了，变成了Tensor之间的数乘
    # x需要为Tensor，如果不是，则会自动转换成Tensor
    return x * w


def loss(x, y):
    # 定义损失函数loss function
    y_pred = forward(x)
    return (y_pred - y) ** 2   # (y_hat - y)^2


print('Predict (before training)', 4, forward(4).item())

for epoch in range(100):
    for x, y in zip(x_data, y_data):
        l = loss(x, y)  # 计算loss，结果是Tensor（前馈）
        l.backward()    # 反馈，l是Tensor
        print("\tgrad: ", x, y, w.grad.item())  # item是将梯度中的数值取出来作为一个标量
        # w是一个张量，包含data和grad，其中grad也是张量，因此是要取grad的数据data
        w.data = w.data - 0.01 * w.grad.data
        # .data是Tensor操作，.item()是将数值取出来当成标量使用

        w.grad.data.zero_()  # 更新完成后将梯度清零，否则会被累加到下一轮训练

    print("progress: ", epoch, l.item())

print('Predict (after training)', 4, forward(4).item())