# 假设我们想对函数y=2x⊤x关于列向量x求导
import torch
x=torch.arange(4.0,requires_grad=True)
x
tensor([0., 1., 2., 3.], requires_grad=True)
y=2*torch.dot(x,x)
y
tensor(28., grad_fn=)
y.backward()
print(x.grad)
tensor([ 0., 4., 8., 12.])
x.grad==4*x
tensor([True, True, True, True])
x.grad.zero_()
# 需要将梯度清零,不然会累加。pytorch默认是这样
y=x.sum()
y.backward()
x.grad
tensor([1., 1., 1., 1.])
# 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
x.grad.zero_()
y = x * x
y.sum().backward()
x.grad
tensor([0., 2., 4., 6.])
# 将某些计算移动到记录的计算图之外
x.grad.zero_()
y = x * x
u = y.detach()
# 将u看做一个常数
z = u * x
z.sum().backward()
x.grad == u
tensor([True, True, True, True])
x.grad.zero_()
y.sum().backward()
x.grad == 2 * x
tensor([True, True, True, True])
# 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
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)
# a随机给定一个标量
d = f(a)
d.backward()
a.grad == d/a
tensor(False)